UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE

CENTRO DE CIÊNCIAS SOCIAIS APLICADAS

PROGRAMA DE PÓS-GRADUAÇÃO EM ECONOMIA

JEAN CARLOS DOS SANTOS

DETERMINANTES DAS CONCENTRAÇÕES INDUSTRIAIS ENTRE

OS ESTADOS BRASILEIROS: UMA ANÁLISE PVAR NO PERÍODO DE
2003 A 2014

Natal – RN
Junho de 2017
 JEAN CARLOS DOS SANTOS

DETERMINANTES DAS CONCENTRAÇÕES INDUSTRIAIS ENTRE

OS ESTADOS BRASILEIROS: UMA ANÁLISE PVAR NO PERÍODO DE
2003 A 2014

Dissertação apresentada ao Programa de Pós-

Graduação em Economia (PPECO) da
Universidade Federal do Rio Grande do Norte
(UFRN), em cumprimento às exigências para
obtenção do título de Mestre em Economia.

Orientador (a): Prof.ª Dr.ª Janaina da Silva Alves

Natal - RN
Junho de 2017
 Divisão de Serviços Técnicos
Catalogação da Publicação na Fonte. UFRN / Biblioteca Setorial do NEPSA / CCSA

Santos, Jean Carlos dos.

Determinantes das concentrações industriais entre os estados brasileiros: uma
análise PVAR no período de 2003 a 2014 / Jean Carlos dos Santos. – Natal, RN,
2017.
96 f. :il.

Orientador: Profa. Dra. Janaina da Silva Alves.

Dissertação (Mestrado em Economia) – Universidade Federal do Rio Grande

do Norte. Centro de Ciências Sociais Aplicadas. Programa de Pós-graduação em
Economia.

1. Concentração Industrial – Dissertação. 2. Nova Geografia Econômica -

Dissertação. 3. Índice de Ellison e Glaeser – Dissertação. 4. Vetores
Autorregressivos em Painel – PVAR - Dissertação. I. Alves, Janaina da Silva.. II.
Universidade Federal do Rio Grande do Norte. III. Título.

RN/UF/BS CDU 330.341.44

 AGRADECIMENTOS

Ponho todos os meus feitos nas mãos de Deus que sempre me deu forças para
continuar e não desistir. Agradeço por ter colocado no meu caminho pessoas boas, sempre
dispostas a me ajudar nos momentos de angústias.

Dentre elas, primeiramente agradeço a minha Mãe e meu Pai, que não me
abandonaram em nenhum momento, me aconselhando a fazer as melhores escolhas. Minha
Madrinha Marilene e minha prima Silmara, por estarem do meu lado todas as vezes que eu
precisei. Agradeço a Regina por me auxiliar e encorajar a manter o foco.

Muito Obrigado a Daisy pelo companheirismo, amor e carinho dos últimos anos. Por
ter se mantido do meu lado principalmente nos momentos de dificuldade. Sou muito grato à
Larice, Josélia, Clóvis, Vanda e Danilo por terem me auxiliado a permanecer em Natal para
poder finalizar os meus estudos.

Agradeço a todos os meus amigos por estarem do meu lado e por caminharam comigo
durante todos esses anos.A galera de Altinópolis: Tiuzão (Paulo), Túlio, Adriano, Ricardo, Zé
Paulo, Karem, Lucas e o pessoal do MTG; o pessoal de Ouro Preto da época da química:
Roberto, Raquel e Líniker; e como não dizer da galera do GIGA: Leonel, Romildo, Matheus,
Ariane, Gilberto, Filipe, Mayara, Mariane, Rafaela, Vitória e Vinicius que já cansaram de
ouvir minhas piadas.

Fico feliz por ter encontrado pessoas como José, Nicolas, Cleudson, Alisson e Amélio
que me ajudaram e compartilharam seu tempo nos momentos de descanso da rotina do
Mestrado. espero que estejam comigo nas próximas etapas.

Não posso deixar de agradecer todos os professores que contribuíram para eu alcançar
esse objetivo, em especial minha orientadora, Professora Janaina, pela
oportunidade,aprendizado e paciência dedicados a conclusão deste trabalho. Por fim, agradeço
a CAPES por possibilitar a realização desse estudo através do fornecimento de recursos para
me manter e investir na pesquisa.
 RESUMO

A concentração industrial é capaz de influenciar as características de determinadas regiões,

algumas vezes de forma construtiva e outras destrutiva. É importante observar que
dependendo da localidade, algumas características se tornam predominantes na atração de
indústrias, tais como, tradições produtivas, formas de trabalho e o perfil dos consumidores. A
Teoria da Nova Geografia Econômica, tendo como principais autores Krugman (1991), Fujita
(1989), Venables (1996) e Thisse (1996), aborda os efeitos da localização no mercado e,
consequentemente, das aglomerações industriais. O estudo desses autores é feito a partir da
Trindade Marshalliana (transbordamento de conhecimento, fornecedores de insumo e
especialização do trabalhador) e do Modelo de Concorrência Monopolística de Dixit-Stiglitz,
que examina como economias de escala, retornos crescentes e custos de transporte podem
incentivar ou justificar a concentração das firmas em determinadas localidades. No caso
brasileiro, Lautert e Araújo (2007), Silva e Bacha (2014) e Resende (2015) tratam questões
que envolvem as aglomerações industriais. Neste sentido, este trabalho terá como objetivo
principal promover uma análise que investigue quais os fatores que influenciaram a
concentração industrial entre as Unidades Federativas do Brasil no período de 2003 a 2014.
Para execução desse objetivo, será utilizado o Índice de Concentração Ellison e Glaeser para
medir a concentração industrial. As variáveis utilizadas na observação dos impactos da
concentração são as proxies, da influência do governo sobre a concentração industrial
(alíquota do ICMS), o transbordamento de conhecimento (anos de estudo), externalidades
(participação regional das firmas, competitividade das firmas) e custo de negócio (custos de
transporte). Os dados serão organizados em forma de painel e será elaborado um modelo
econométrico de Vetores Autorregressivos em Painel – PVAR, que permitirá estudar as
relações dinâmicas e mecanismos de ajustes entre as variáveis analisadas. Como fonte de
dados, majoritariamente, utilizam-se dados encontrados na Relação Anual de Informações
Sociais (RAIS), Censo Demográfico do IBGE e Banco Central do Brasil. Este estudo
contribui com a literatura ao utilizar um índice pouco explorado a nível nacional e
ferramentas econométricas inéditas para o estudo da concentração industrial. Os resultados da
análise em painel indicam que dentre as variáveis utilizadas, as que apresentaram maior
significância sobre a concentração industrial estão relacionados à influência do governo e as
externalidades. Verificou-se que choques relacionados ao transbordamento de conhecimento
impactam positivamente na concentração industrial. Podemos concluir, portanto, que as
externalidades e educação formal são fatores importantes para atração de indústrias em uma
região.

Palavras-chave: Concentração Industrial. Nova Geografia Econômica. Índice de Ellison e

Glaeser. PVAR.
 ABSTRACT

The industrial concentration is capable of influencing the characteristics of certain regions,

sometimes constructive and sometimes destructive. It is important to notice that depending on
the locality, some characteristics become predominant in attracting industries, such as
productive traditions, ways of working and the profile of the consumers. The New Economic
Geography Theory, whose main authors are Krugman (1991), Fujita (1989), Venables (1996)
and Thisse (1996), approaches the effects of market location and, consequently, industrial
agglomerations. The study of these authors is based on the Marshallian Trinity (knowledge
overflow, input suppliers and worker specialization) and the Dixit-Stiglitz Monopolistic
Competition Model, which examines how economies of scale, increasing returns and
transport costs can encourage or sometimes justify the concentration of firms in certain
localities. In the Brazilian case, Lautert and Araújo (2007), Silva and Bacha (2014) and
Resende (2015) deal with issues involving industrial agglomerations. In this sense, this work
will promote an analysis that investigates the factors that influenced the industrial
concentration between the states of Brazil in the period that goes from 2003 to 2014. In order
to achieve this goal, we will use the Ellison and Glaeser Concentration Index to measure the
industrial concentration. The variables used to check the impacts of the concentration are the
proxies, the influence of the government on the industrial concentration (ICMS rate), the
knowledge overflow (years of study), externalities (firms' regional participation and firm
competitiveness) and business cost (Transport costs). The data will be organized in panel
form and an econometric model of Autorregressive Panel Vectors - PVAR will be elaborated,
which will allow to study the dynamic relations and mechanisms of adjustments among the
analyzed variables. As a data source, we used the data found in the Annual Social Information
Ratio (RAIS), Demographic Census of the IBGE and Central Bank of Brazil. This study
contributes to the literature by using an index that has not been explored at a national level
and some new econometric tools for the study of industrial concentration. The results of the
panel analysis indicate that among the variables used, those that presented the highest
significance on industrial concentration are related to government influence and externalities.
It was also verified that shocks related to knowledge overflow cause a positive impact on
industrial concentration. We can therefore conclude that externalities and formal education
are important factors when it comes to attracting industries in a region.

Keywords: Industrial Concentration. New Economic Geography. Ellison and Glaeser Index.
PVAR.
 LISTA DE ABREVIATURAS E SIGLAS
ABDI- Agência Brasileira de Desenvolvimento Industrial
BNDE - Banco Nacional de Desenvolvimento Econômico
CNAE - Classificação Nacional de Atividades Econômicas
CNI – Confederação Nacional da Indústria
FGV – Fundação Getúlio Vargas
GTDN – Grupo de Trabalho para o Desenvolvimento do Nordeste
IBGE - Instituto Brasileiro de Geografia e Estatística
IBRE – Instituto Brasileiro de Economia
ICMS - Imposto sobre a Circulação de Mercadorias
IEDI – Instituto de Estudos de Desenvolvimento Industrial
IEG – Índice de Ellison e Glaeser
IGP-DI - Índice Geral de Preços –Disponibilida de Interna
IHH – Índice Hirshman-Herfindahl
II PND –II Plano Nacional de Desenvolvimento
IPEA – Instituto de Pesquisa Econômica Aplicada
JK – Juscelino Kubitschek
MTE – Ministério do Trabalho e Emprego
NGE - Nova Geografia Econômica
PBM - Política Brasil Maior
PDP - Política de Desenvolvimento Produtivo
PIB - Produto Interno Bruto
PITCE - Política Industrial, Tecnologia e Comércio Exterior
PITP - Participação da Indústria de Transformação no PIB
PNAD - Pesquisa Nacional por Amostras de Domícilios
PVAR – Vetores Autorregressivos em Painel
RAIS - Relação Anual de Informações Sociais
SIDRA – Sistema IBGE de Recuperação Automática
SUDENE - Superintendência do Desenvolvimento do Nordeste
SUDAM - Superintendência do Desenvolvimento da Amazônia
SUFRAMA - Superintendência da Zona Franca de Manaus
UF – Unidade Federativa
VAB - Valor Adicionado Bruto
ZFM - Zona Franca de Manaus
 LISTA DE FIGURAS

Figura 1 - Fator Infraestrutura e Logística................................................................................ 33

Figura 2 - Perfil da renda da terra e anéis de Von Thünen com três colheitas ......................... 36

Figura 3 - Esquema do Triângulo de Localização de Weber ................................................... 39

Figura 4 - Hierarquia Urbana nos hexágonos da Teoria do Lugar Central .............................. 41

Figura 5 - Desenvolvimento das áreas de mercado .................................................................. 42

Figura 6 - Diagrama de Causalidade Circular na aglomeração espacial de bens de consumo,

produtores e trabalhadores ........................................................................................................ 44
 LISTA DE GRÁFICOS

Gráfico 1 - Participação da Indústria de Transformação no PIB para Brasil, Economias

Desenvolvidas e em Desenvolvimento ..................................................................................... 30

Gráfico 2 - Histograma dos valores de EG para as UFs no período de 2003 a 2014 ............... 72

Gráfico 3 - Impulso Resposta ................................................................................................... 80

 LISTA DE QUADROS

Quadro 1 - Resumo dos autores da Economia Regional e da Teoria de Localização .............. 47

Quadro 2 - Descrição das variáveis .......................................................................................... 67

 LISTA DE TABELAS
Tabela 1 - Indicadores da Evolução de cargas transportadas no Brasil.................................... 19

Tabela 2 - Brasil: Plano de Metas, previsão e resultados, metas físicas, 1957-1961 ............... 21

Tabela 3 - Variação anual média do PIB do Brasil .................................................................. 24

Tabela 4 - Aglomerações Industriais segundo a faixa de número empregados nas indústrias de

transformação e extrativa mineral – 1989/97 ........................................................................... 28

Tabela 5 - Produção Industrial – Variações anuais em % ........................................................ 31

Tabela 6 – Decomposição do VAB da indústria de transformação brasileira nas UFs (%) de

2003 a 2014 .............................................................................................................................. 32

Tabela 7 - Índice de Concentração de Ellison e Glaeser (IEG) para cada UF – 2003-2014 .... 70

Tabela 8 - Estatística descritiva ................................................................................................ 73

Tabela 9 - Estimativas e P-valor do modelo ............................................................................. 75

Tabela 10 - Teste de raiz unitária sem tendência e variáveis em nível .................................... 77

Tabela 11 - Teste de raiz unitária sem tendência para a primeira diferença de IEG e RE ....... 77

Tabela 12 - Teste de Cointegração de Pedroni ......................................................................... 78

Tabela 13 - Teste de Cointegração de Westerlund ................................................................... 78

Tabela 14 - Decomposição da Variância do Índice de Ellison e Glaeser ................................. 82

 SUMÁRIO
1 INTRODUÇÃO ..................................................................................................................... 13

2 A INDÚSTRIA BRASILEIRA E SEUS ASPECTOS HISTÓRICOS ................................. 17

2.1 Processo de Industrialização e Concentração (1930 – 1970) ............................................. 18

2.2 O Milagre e a desconcentração ........................................................................................... 22

2.3 Da década de 90 até os dias atuais. ..................................................................................... 25

3 REFERENCIAL TEÓRICO .................................................................................................. 35

3.1 O Modelo Clássico de Localização: VonThünen ............................................................... 35

3.2 O alicerce para futuras teorias: Weber e Marshall ............................................................. 37

3.3 A perspectiva da consolidação ........................................................................................... 40

3.4 Nova Geografia Econômica (NGE) .................................................................................... 43

3.5 Referencial Empírico .......................................................................................................... 47

4 METODOLOGIA.................................................................................................................. 52

4.1 Medidas de Localização ..................................................................................................... 52

4.1.1 Índice de Hirshman-Herfindahl (IHH) ............................................................................ 53

4.1.2 Índice de Ellison e Glaeser (IEG) .................................................................................... 54

4.2 Dados em Painel ................................................................................................................. 56

4.2.1 Estimador de Efeito Fixo ................................................................................................. 57

4.2.2 Estimador de Efeito Aleatório ......................................................................................... 58

4.3Vetores Autorregressivos em Painel (PVAR) ..................................................................... 59

4.3.1 Testes de Raíz Unitária .................................................................................................... 60

4.3.2 Teste de Cointegração em Painel..................................................................................... 62

4.3.3 Impulso Resposta e Decomposição da Variável.............................................................. 64

4.4 Dados .................................................................................................................................. 65

5 ANÁLISE DE RESULTADOS ............................................................................................. 69

5.1 Índice de Concentração IEG e Estatísticas Descritivas ...................................................... 69

5.2 Modelo em Dados de Painel ............................................................................................... 74

5.3 PVAR ................................................................................................................................. 76

5.3.1 Teste de Estacionariedade e Cointegração para dados em painel ................................... 76

5.3.2 Impulso Resposta............................................................................................................. 79

5.3.3 Decomposição da Variância ............................................................................................ 81

6 CONCLUSÃO ....................................................................................................................... 84

REFERÊNCIAS BIBLIOGRÁFICAS ..................................................................................... 87

ANEXOS .................................................................................................................................. 95
 13

1 INTRODUÇÃO

O processo de industrialização trata-sedo momento em que determinada região muda

sua forma de produção, aumentando a importância de produtos manufaturados em detrimento
dos produtos agrários. A industrialização é capaz de alterar consideravelmente uma região,
muitas vezes de maneira construtiva, outras destrutivas. É importante observar que
dependendo da localidade, algumas características se tornam predominantes para o impacto
industrial, tais como, tradição produtiva, formas de trabalho e perfil dos consumidores. A
formação de concentrações industriais usufrui da localização e sinergia de diversas empresas
numa mesma região, por exemplo, com informação de produção, empregados e redução de
custos de transporte. Estes fatores podem se tornar um ótimo atrativo para novas empresas e
assim, melhorar o nível de renda e desenvolvimento de uma determinada região.
Os estudos envolvendo teorias de localização tiveram como pioneiro Von Thünen
(1826), cuja obra trata sobre a localização ótima da terra, relacionando aluguel da terra com
custo de transporte. Anos mais tarde, Marshall (1890) trata sobre os fatores impactantes na
formação de aglomerações industriais como fornecedores de insumos para indústria, mercado
sólido com trabalhador especializado e transbordamento de informação configurando assim a
“trindade marshalliana”. Lösch (1940) apresenta teorias sobre rede de áreas de mercado
colaborando com a Teoria de Lugar Central. Krugman (1991), utilizando de teorias de
comércio para compreender a localização das firmas, se tornou o principal expoente da Nova
Geografia Econômica (NGE).
A NGE tem como principais autores Krugman (1991), Fujita (1989), Venables (1996)
e Thisse (1996). A NGE, para Krugman (2010), aproveita-se da trindade marshalliana e dos
modelos de concorrência de Dixit-Stiglitz, para abordar os efeitos de localização no mercado,
examinando economias de escala, retornos crescentes e custos de transporte que possam
incentivar ou justificar a concentração das firmas em determinadas localidades. Diversos
pesquisadores nacionais como Cano (1998, 2005), Lautert e Araújo (2007), Silva e Bacha
(2014), Resende (2015), abordaram assuntos relacionados à concentração industrial e as
discrepâncias econômicas existentes em cada região brasileira.
A industrialização no Brasil foi tardia, iniciou-se em 1930 e durante a década de 1970
observou-se sua maior expansão. O Estado de São Paulo concentrou a maior parte do parque
industrial nacional nesse período, cerca de 37,5% da produção em 1929, aumentando para
58,1% em 1970 (CANO, 2008). Medidas implantadas pelo governo, como a elaboração do II
 14

Plano Nacional de Desenvolvimento (II PND) em 1974, buscaram melhorar o parque

industrial do país. A maioria dos estados contemplou a evolução de suas estatísticas
relacionadas à indústria, modificando o cenário nacional anterior a década de 1970 em que
somente o estado de São Paulo apresentava o destaque no setor. Assim iniciou-se um
processo de desconcentração industrial da região Sudeste e a possibilidade de surgimento de
outras concentrações em outros estados. Nas décadas seguintes, o setor industrial não teve
mais os investimentos e a atenção política como no período do milagre. Na década de 2000,
tivemos algumas políticas voltadas para fomentar o setor industrial, como a Política
Industrial, Tecnologia e Comércio Exterior (PITCE), aplicada em 2004 (IEDI, 2014).
Durante o período inicial da inserção da PITCE, mais precisamente entre 2003 e 2006,
temos o aumento do Valor Adicionado Bruto (VAB) da indústria de transformação para a
maior parte dos estados brasileiros. Das 27 Unidades Federativas, doze tiveram seus valores
aumentados, nove apresentaram queda e seis mantiveram os mesmos valores. Os Estados que
apresentaram destaque na evolução dos seus VAB são: Amazonas com 2,93% em 2003
adquirindo 3,40% em 2006; Pará com o VAB de 1,18% em 2003 subindo para 1,53% em
2006; e Minas Gerais passando de 8,95% em 2003 para 10,06 em 2006 (IBGE, 2017). Devido
os efeitos da crise mundial, o setor industrial brasileiro teve seis anos de queda no seu
rendimento. A produção industrial torna-se 5% inferior ao período seguinte à crise. Em 2008,
no ranking mundial de produção industrial. O Brasil ocupava a 10º colocação com 1,8% da
produção. Seis anos depois, em 2014, o país reduziu sua produção para 1,6%, caindo para 11º
colocação do ranking (IEDI, 2014).
Atualmente, a maior aglomeração industrial do Brasil se encontra no estado de São
Paulo. Em 2010, a Região Metropolitana de São Paulo possuía 16% do VAB da indústria do
Brasil. Além disso, tinha presente 14% do emprego industrial formal nacional (SOBRINHO;
AZZONNI, 2014).
O governo brasileiro, ao longo da história, realizou diversos planos de integração do
território nacional. O Brasil, sendo territorialmente um país grande, possui regiões de baixa
infraestrutura industrial e outras regiões com ótimas instalações, principalmente quando são
analisados, por exemplo, custo de transporte, espaço, mão de obra e recursos naturais.
Enquanto na região Sudeste se localiza a força motriz da indústria nacional contendo as
principais aglomerações industriais do país, temos áreas como as que podem ser encontradas
na região Norte, onde cada cidade pode estar a quilômetros de distância uma da outra,
dificultando a atração e instalação de novas plantas industriais.
 15

Essa discrepância provavelmente envolve fatores como recursos naturais presentes em

cada região, custos de transporte (Brasil tem uma infraestrutura baseada no transporte
rodoviário, mas existem outros com menor expressão como ferroviário e hidroviário, por
exemplo), espaço (valor e tamanho do terreno são atrativos para as empresas), força de
trabalho, a tradição (a cultura das pessoas na decisão de implantação de novas plantações e na
escolha de novos projetos que venham atrair recursos contendo o perfil da cidade ou região)
intrínseca a área e outras externalidades geradas pelas próprias indústrias já instaladas. As
aglomerações industriais surgem devido à intensidade desses diversos fatores.
A importância deste estudo está no fato de se realizar uma análise empírica
aproveitando os fatores já citados para observar quais os impactos nas aglomerações
industriais, examinando as diferenças regionais e entender de maneira mais adequada os
motivos que levam algumas regiões a terem alta concentração industrial e outras com pouca
concentração.
Portanto, quais foram os principais fatores que influenciaram a disparidade regional
em relação ao processo de (des) concentração industrial entre as Unidades Federativas
brasileiras durante o período de 2003 a 2014? Visando compreender a importância e a
influência de fatores como custo de transporte, transbordamento de conhecimento e
externalidades sobre a concentração industrial.
Este trabalho tem como objetivo geral investigar quais os principais fatores que
influenciaram a concentração industrial entre as Unidades Federativas no período de 2003 a
2014. O estudo ainda possui três objetivos específicos: i) Realizar a contextualização do
período histórico nacional sobre o processo de industrialização brasileiro; ii) Investigar a
concentração industrial do Brasil; iii) Analisar o comportamento e os impactos de variáveis -
arrecadação do ICMS, competitividade das empresas, participação regional das firmas,
educação e custo de negócio – em relação à concentração industrial.
Visto o tamanho das disparidades das aglomerações industriais brasileiras, utiliza-se o
índice de Ellison e Glaeser (IEG) para mensurar os níveis de concentração industrial das UFs
do Brasil (os 26 Estados e o Distrito Federal). Este índice foi elaborado por Ellison e Glaeser
(1994, 1997) e tem como principal objetivo medir o nível de concentração de indústrias e/ou
empresas em determinada região. A vantagem na sua utilização está na possibilidade de poder
controlar as diferenças referentes à distribuição espacial do tamanho das firmas e permitir a
realização de comparações entre as indústrias.
Como fonte de dados são utilizadas as bases: Relação Anual de Informações Sociais
(RAIS) do Ministério do Trabalho e do Emprego (MTE), Banco Central do Brasil, Censo
 16

Demográfico e Pesquisa Nacional por Amostras de Domicílios (PNAD) do Instituto

Brasileiro de Geografia e Estatística (IBGE). Os dados serão organizados em forma de painel
no intervalo de tempo de 2003 a 2014, abrangendo todas as 27 Unidades Federativas (26
Estados e o Distrito Federal).
Esta pesquisa contribui com a literatura ao utilizar o IEG como uma variável de
análise do nível de concentração industrial, pouco utilizado à nível nacional. Será utilizado
como instrumento para analisar os dados, a ferramenta conhecida como Vetores
Autorregressivos em Painel (PVAR), considerada recente na literatura.
A dissertação será dividida em seis partes, a primeira trata-se desta introdução e as
seções seguintes estão configuradas como: a segunda seção contextualiza a questão industrial
do país; a terceira irá tratar do referencial teórico e empírico, apresentando todos os autores
considerados clássicos dentro da economia regional e teoria de localização, além de conter
pesquisas relacionadas ao assunto tratado neste trabalho; a quarta parte exibe a metodologia
do trabalho, explicando primeiramente os componentes do IEG e em seguida todos os fatores
necessários para elaboração do modelo, desde os estimadores de dados em painel até o
PVAR; a quinta trata dos resultados; e a sexta é a conclusão.
 17

2 A INDÚSTRIA BRASILEIRA E SEUS ASPECTOS HISTÓRICOS

O setor industrial nacional teve um processo tardio de intensificação no Brasil. O foco

produtivo do país no início do séc. XX era baseado na agricultura, com pouco objetivo para
indústria. Essa era uma característica pertencente a todos os países da América Latina neste
período. Países que antes possuíam o Estado vinculados com oligarquias rurais e de minérios
(Brasil – café, Argentina – pecuária/trigo, Chile – salitre/cobre, México –
cobre/zinco/café/borracha e algodão), passam a considerar a necessidade de realizar reformas
estruturais para diminuir sua dependência em relação aos países Europeus, que neste
momento estavam sofrendo crises financeiras e com os eventos da I Guerra Mundial (BEM,
2005).
As reformas estruturais estão atreladas à criação de meios que sejam favoráveis à
manutenção de setores de bens duráveis, pois estes não possuíam destaque nos países da
América Latina. Estes países para estimularem seu desenvolvimento industrial se
aproveitaram de um nível alto de mão de obra intensificando atividade econômica, exigindo
importações elevadas, seja de artigos de consumo, tanto imediato quanto duradouro, seja de
matérias-primas e bens de capital (PREBISCH, 2000). Nesse contexto que surgem as medidas
para as políticas de substituição de importações.
Somente a partir da década de 1930 com o processo de substituição de importações
que a indústria passou a ter um maior destaque obtendo meios que mantivessem uma
infraestrutura adequada para desenvolver o país.
No século XX, o Brasil apresentou poucas políticas que causassem real impacto no
setor industrial. As principais foram o Plano de Metas durante o governo de Juscelino
Kubitschek (1956-1961) e o II PND no governo Geisel (1974-1978).
Nos últimos governos do século XXI tivemos três políticas com objetivos focados em
promover a ascensão da indústria, são estes: Política Industrial, Tecnológica e do Comércio
Exterior (PITCE), Política de Desenvolvimento Produtivo (PDP), Política Brasil Maior
(PBM). Neste capítulo serão abordadas algumas questões que instigaram o processo de
industrialização nacional e consequente formação de aglomerações, além do desenvolvimento
da indústria atual e políticas industriais mais recentes.
Este capítulo nos auxiliará a vislumbrar como no decorrer da industrialização nacional
alguns fatores presentes na NGE ganharam destaque, como por exemplo: custos de transporte
e mobilidade de trabalhadores
 18

2.1 Processo de Industrialização e Concentração (1930 – 1970)

Cada região se encontrava numa situação econômica diferente no Brasil na década de

1930. No Sudeste, São Paulo apresentava a mais diversificada e a maior parte da indústria
nacional; Minas Gerais foi o Estado que melhor se integralizou com o pólo industrial paulista,
tanto em termos de sua agricultura como de sua indústria, com destaque para o setor
metalúrgico; o antigo Estado do Rio de Janeiro continuava a sofrer com os percalços de uma
débil agricultura e de uma decadente cafeicultura; o antigo Estado da Guanabara1
demonstrava seu efetivo papel de produtor de serviços, principalmente como sede do governo.
O Extremo Sul possuía a pecuária e a pequena e média indústria como base principal da sua
economia. A região Norte tinha uma estrutura econômica e social pouco evoluída, pois a
economia girava em torno da produção de borracha, mas esta entrou em crise em 1912. O
Centro – Oeste continuava a ser o segundo vazio nacional, depois da Amazônia. O Nordeste
possuía uma indústria de baixa produtividade e uma estrutura pouco diversificada, agricultura
atrasada com enorme concentração da produtividade fundiária (CANO, 1998).
Devido ao tamanho do país e a necessidade de diminuir as disparidades
socioeconômicas entre as regiões e suas diferenças de nível econômico, o Estado precisou
eliminar barreiras que pudessem ser um empecilho para industrialização, a fim de se ter maior
integralização. Primeiro foram eliminados impostos interestaduais e intermunicipais que
incidiam sobre o comércio de mercadorias. Depois foi preciso a melhoria dos transportes para
facilitar a dinâmica entre as regiões. Ferrovias e navegação de cabotagem constituíram até
1940 o principal meio de transporte de carga do país (CANO, 1998).
A Tabela 1 mostra alguns dados sobre o desempenho desses dois meios de transporte
no intervalo de 1929 até 1959 e a expansão rodoviária a partir da década de 1940. Durante
trinta anos podemos observar um aumento de todos os meios de transporte observados na
tabela. A economia cresceu junto com as modificações dos meios de transporte.

1
Os Estados do Rio de Janeiro e Guanabara eram dois Estados que foram unificados em 1975, formando o atual
Estado do Rio de Janeiro.
 19

Tabela 1 - Indicadores da Evolução de cargas transportadas no Brasil

Ferrovias Cabotagem
Mercadorias Rede rodoviária Estadual e Veículos rodoviários de carga
Mercadorias Municipal (1000km) (1000 unidades)
(milhões
(milhões t)
t/km)
1929 3778,8 1,9
1935 4317,9 2,2
1939 6063,1 2,9 200,3(a) 22,9(a)
1945 6570,7 3,3 90,2(b)
1949 7299,8 4,0 341,0(c) 16,3
1955 9599,6 5,4 459,7 289,3
1959 12033,8 7,2 475,3 347,6(d)
Fonte: Cano (1998) (adaptado).
Nota: (a) os dados são de 1937; (b) o dado é de 1946; (c) o dado é de 1953; (d) o dado é de 1962.

Assim, para estimular o processo de industrialização nacional, a intervenção do Estado

e o investimento público foram elementos importantes (CANO, 1998). O Estado passou a
trabalhar a favor de alguns grupos setoriais, atuando no favorecimento das classes detentoras
de capitais, primeiramente aos grupos agroexportadores e depois aos empresários industriais.
Logo, para o fomento da industrialização, foram fundadas a Usina Siderúrgica de Volta
Redonda, a Petrobrás e o Banco Nacional de Desenvolvimento Econômico (MATTEO;
MENDES, 2010).
Nesse período a abordagem regional começa a ter mais destaque nos estudos
econômicos no contexto latino americano e, consequentemente, brasileiro. As pesquisas
possuíam relação com a economia espacial nacional atrelada a uma análise regional do
subdesenvolvimento ou de um desenvolvimento estruturalmente diferenciado. A partir das
contribuições de estudiosos da Comissão Econômica para a América Latina e o Caribe
(CEPAL), diagnósticos fundamentados a partir de uma visão macroeconômica, considerando
o papel do Estado via planejamento, gasto e investimento público foram realizados para a
superação do subdesenvolvimento, no contexto das economias menos desenvolvidas. Os
elementos analíticos principais da abordagem estruturalista cepalina são separados em dois
setores: industrial e primário-exportador, com trabalho excedente. Nos estudos iniciais
realizados para o Brasil, Furtado revela que as regiões Norte, Nordeste e Centro-Oeste, são
regiões estruturalmente subdesenvolvidas dentro de um país estruturalmente subdesenvolvido
(MATTEO; MENDES, 2010).
Durante o intervalo de 1930 até 1970 podemos notar grande expansão da atividade
industrial do país. O produto industrial cresceu 10% ao ano entre 1932 e 1939, os gêneros não
tradicionais (borracha, papel, cimento, metalurgia, química), bem como a indústria têxtil,
 20

expandiram suas produções nesse período. O sistema de substituição de importações,

instituído em 1947, com o objetivo de lidar com os desequilíbrios externos, acabou auxiliando
no desenvolvimento industrial (VIANNA, 2014).
O governo mantinha a taxa de câmbio sobrevalorizada e, progressivamente, impunha
medidas discriminatórias à importação de bens de consumo não essenciais e daqueles com
similar nacional, isso resultou em estímulos para implantação de indústrias substitutivas a
esses produtos. Esta combinação fez com que a produção real da indústria de transformação
alcançasse um crescimento anual de 9% de 1946 a 1950. Nos anos seguintes até a posse de
JK, são observadas as consequências da substituição, pois o Brasil apresentou uma queda da
participação dos importados de 16% em 1952 para 7% em 1956 e um aumento de 40% da
produção doméstica no mesmo intervalo de anos (VIANNA; VIRELLA, 2011).
O governo Vargas, 1951 até 1954, no contexto do sistema de substituição de
importações, propunha criar uma infraestrutura de desenvolvimento econômico voltado para
estimular avanços no setor industrial, tendo como base conseguir captar recursos privados
tanto locais como estrangeiros. As decisões políticas dirigidas em efetivar esse planejamento
seguiam alguns estudos realizados pela CEPAL, pois acreditava que esta apresentava ideais
próximos do governo quando se tratava sobre os efeitos negativos do comércio exterior sobre
a indústria brasileira, sua defesa do protecionismo governamental à indústria e do
planejamento (LEOPOLDI, 2002).
O mercado nacional se consolidou conforme o avanço do processo de integração das
regiões. A urbanização de todos os estados, decorrente da produção interna, a elevação do
nível de comercialização e distribuição, além da implantação da indústria pesada e de bens de
consumo durável colaboraram para, nos anos de 1956 e 1961, intensificar a concentração
industrial verificada no estado de São Paulo e, consequentemente, nas áreas periféricas
(CANO, 1998).
Neste contexto foi elaborado e implantado o Plano de Metas, o qual apresentava total
comprometimento do setor público. As áreas de atuação pública e privada ficavam definidas
de forma a realizar as inversões de capital público em obras de natureza básica ou de
infraestrutura, facilitar e estimular as atividades e investimentos privados. Logo, o plano
contemplava investimentos em cinco principais áreas: energia, transporte, alimentação,
indústria de base e educação (ORENSTEIN; SOCHACZEWSKI, 2014).
O Plano de Metas ocasionou uma reversão na participação dos setores no Produto
Interno Bruto (PIB). Na década de 1950 o setor agropecuário possuía uma parcela maior que a
 21

indústria. Na década seguinte o setor agropecuário possuía 17,8% do PIB, enquanto a

indústria passou a ter 32,2%, sendo 25,6% a indústria de transformação (VILLELA, 2011).
A Tabela 2 mostra as expectativas e os resultados alcançados do Plano de Metas.
Pode-se observar que os investimentos em infraestrutura rodoviária ultrapassaram o resultado
esperado, sendo a única meta prevista a ser alcançada, enquanto as demais obtiveram
resultados próximos da meta ou bem distantes como produção de carvão (esperado 1000t e
alcançado 230t) e Petróleo-refino (previsto 200 barris/dia e realizado 52 barris/dia).

Tabela 2 - Brasil: Plano de Metas, previsão e resultados, metas físicas, 1957-1961

Previsão Realizado %
Energia Elétrica (1000 kW) 2000 1650 62
Carvão (1000 t) 1000 230 23
Petróleo-Produção (1000 barris/dia) 96 75 76
Petróleo-Refino (1000 barris/dia) 200 52 26
Ferrovias (1000 km) 3 1 32
Construção de Rodovias (1000 km) 13 17 138
Rodovias-Pavimentação (1000 km) 5 10.2 204
Aço (1000 t) 1100 650 60
Cimento (1000 t) 2300 2277 99
Carros Caminhões (1000 unid.) 170 133 78
Nacionalização (carros) (%) 90 75
Nacionalização (caminhões) (%) 95 74
Fonte: Orenstein e Sochaczewski (2014).

O país por mais que ampliasse seu crescimento, suas regiões ainda apresentavam
grandes disparidades econômicas e sociais. Devido às tensões sociais, foi criado, em 1956, o
Grupo de Trabalho para o Desenvolvimento do Nordeste (GTDN). Os trabalhos apresentados
pelo GTDN tinham como propostas centrais a industrialização e políticas para o
desenvolvimento do Nordeste. Com a intensificação dos investimentos industriais o GTDN
tinha a expectativa de tornar o setor industrial nordestino dinâmico, garantindo autonomia ao
crescimento da região (ARAÚJO, 1997). A Superintendência do Desenvolvimento do
Nordeste (SUDENE), fundada em 1959, atuaria na elaboração e aplicação de políticas
voltadas para o desenvolvimento regional, focada em integrar os planos de desenvolvimento
do Nordeste com o Plano Nacional.
Entre 1967 e 1980, de acordo com Cano (2005), o objetivo principal do Estado era
expandir e diversificar a produção para acelerar o crescimento. Essa situação pode ser
caracterizada por São Paulo que concentrando cerca de 37,5% da produção da indústria
nacional de transformação em 1929, aumentou esse valor para 58,1% em 1970. Esta
 22

concentração gerou reivindicações por maior equidade regional e federativa, levando à

criação de instituições capazes de implantar políticas de desenvolvimento a exemplo do
Nordeste com a SUDENE. Assim surgiu a Superintendência do Desenvolvimento da
Amazônia (SUDAM) e Superintendência da Zona Franca de Manaus (SUFRAMA), criadas
depois de 1967, para cumprir seus objetivos na região Norte do país.
Na próxima seção será tratado como a concentração industrial se comportou durante o
período conhecido como “Milagre” e as consequências deste período para as décadas
seguintes.

2.2 O Milagre e a desconcentração

Após um início de década conturbado no âmbito político com a renúncia de Jânio

Quadros, deposição de João Goulart em 1964 e consequente ascensão dos militares ao poder,
o Brasil encontraria o melhor momento de sua economia dos últimos 40 anos, chamado de
“Milagre” econômico.
Devido à demanda interna, estimulada pelas políticas setoriais do governo, o
dinamismo do setor industrial alcançou um crescimento significativo no período de 1967-
1973. A indústria de transformação cresceu à taxa média de 13,3% ao ano (com um máximo
de 16,6% em 1973), a indústria de construção teve média de 15%. Esta evolução
proporcionou o fortalecimento do setor industrial e, consequentemente, entrada no processo
de desconcentração (LAGO, 2011).
Durante a década de 1970, os estados apresentaram um aumento de suas matrizes
industriais. Muito provavelmente devido a utilização da base de recursos naturais, exploração
de minérios e expansão das lavouras; projetos de larga envergadura, como hidrelétricas (Foz
do Iguaçu), usinas petroquímicas. Pode se acrescentar as políticas de desenvolvimento
regional implantadas a partir da década de 60, promovendo investimentos regionalizados em
indústrias leves e de insumos (CANO, 1998).
Os estados da região Norte apresentaram incentivos devido à criação da Zona Franca
de Manaus (ZFM) e do Programa Grande Carajás. Os estados do Nordeste apresentaram
participação do governo através de projetos da SUDENE e incentivos fiscais do sistema 34/18
– FINOR2 que estimularam a “nova indústria” nordestina e apresentava como fatores de

2
O Sistema 34/18 – FINOR era composto por dois artigos de Lei. O artigo 34, da Lei nº 3995 de 14 de dezembro
de 1961, facultava às pessoas jurídicas, constituídas de 100% de capital nacional, a reduzirem até 50% do
imposto de renda devido, para o reinvestimento ou aplicações em indústrias consideradas de interesse para o
 23

influência o pólo petroquímico de Camaçari e a cloroquímica de Alagoas e Sergipe. O Centro

– Oeste apresentou crescimento na área agroindustrial devidoà expansão agrícola. O Sudeste
contém estados em contextos diferentes: São Paulo e Rio de Janeiro reduziram suas
participações relativas na indústria, enquanto Minas Gerais e Espírito Santo ampliaram suas
participações, devido ao crescimento da siderurgia, indústria automotiva (instalação da FIAT
em Betim) e indústrias de papel e celulose. Por fim, temos os estados do Sul com crescimento
na participação industrial nacional devido ao setor metal-mecânico, presença do Pólo
Petroquímico de Triunfo e indústria de calçados no Rio Grande do Sul; indústria têxtil em
Santa Catarina; e indústria de celulose no Paraná e Rio Grande do Sul (PACHECO, 1996).
A evolução do desempenho industrial dos estados contribuiu para o processo de
desconcentração industrial que perdura até os dias atuais. Este processo teve como
fundamentos os efeitos relacionados com a presença de recursos naturais e de política
econômicas de desenvolvimento como dito anteriormente, o papel de incentivos fiscais
regionais, efeitos dos aumentos dos custos de reversão de polarização das áreas
metropolitanas de São Paulo e Rio de Janeiro; desenvolvimento da infraestrutura e seus
efeitos de unificação de mercado e na criação de economias de urbanização em várias cidades
ou regiões (DINIZ, 1996).
O primeiro choque do petróleo em 1973 reduziu o ritmo da expansão industrial. A
crise ocasionada pelo choque mostrou que o governo precisava lidar com o endividamento
público, aumento da inflação e problemas estruturais. Na tentativa de manter o crescimento
industrial e controlar os desequilíbrios estruturais, o governo Geisel (1974-1978) procurou
retornar com a política de substituição de importações nos setores de bens de capital e de
insumos industriais, no entanto, sem diminuir os incentivos das políticas de exportação
(NETTO, 2014). Junto com essas medidas foi posto em prática II PND, cujo objetivo seria
realizar um ajuste externo, propondo planos de investimento público e privado. Os
investimentos seriam direcionados para setores de bens de produção, energia e exportação;
considerados barreiras estruturais, pontos de estrangulamento, para o crescimento da indústria
(HERMANN, 2011).
O segundo choque do petróleo em 1979, fez com que o governo voltasse esforços para
controlar os desequilíbrios da Balança de Pagamento e o aumento da inflação. Logo a
indústria passaria a ter papel de coadjuvante na economia nacional durante esse período de

desenvolvimento do Nordeste. O artigo 18, da Lei nº 4239 de 27 de junho de 1963, aperfeiçoou e ampliou a
política de incentivos fiscais (NABUCO, 2007).
 24

crise e pelos anos seguintes, reduzindo-se assim políticas de parâmetro regional (DINIZ,
1996).
O Brasil, durante a década de 1980, sofreu com cortes substanciais no financiamento
externo, causando, consequentemente, alta inflação, queda no investimento privado
(prejudicando o dinamismo industrial), crise crônica de balanço de pagamentos, corte do
crédito interno, elevação acentuada das dividas públicas externa e interna, e por fim,
aprofundando as crises fiscais e financeiras do estado nacional, debilitando ainda mais o gasto
e o investimento público (CANO, 2008).
Na década de 1980, após uma recessão em 1983 em que todas as taxas dos setores
mais dinâmicos da indústria foram reduzidas, a partir de 1984, a indústria de transformação
apresentou uma recuperação originada na expansão das vendas ao mercado externo e de
insumos ao setor agrícola, liderados pelas indústrias mecânica, metalúrgica e química, que
apresentaram crescimento respectivamente de 18,6%, 13,8% e 9,6% em 1984 (CARNEIRO;
MODIANO, 2014).
A Tabela 3 apresenta dados que mostram a variação média anual do PIB para cada
setor, revelando como a crise afetou o país durante a década de 1980. Durante o período entre
1980 e 1989 o desempenho de todos os setores foram reduzidos.

Tabela 3 - Variação anual média do PIB do Brasil

1970/80 1980/89 1989/04

Primário 3,8 3,2 4
Secundário 9,3 1,2 1,9
Indústria de Transformação 9,0 0,9 1,7
Terciário 8,0 3,1 2,5
Total 8,7 2,2 2,4
Fonte: Cano (2008) (adaptado).

O setor primário foi o menos afetado quando comparado com os outros setores, tendo
apresentado na década de 1990 um valor de crescimento próximo ao obtido na década de
1970 nos princípios da crise. Nenhum dos outros setores voltaram a possuir os mesmos
rendimentos alcançados durante a década de 1970. A indústria de transformação foi a mais
afetada pela crise, ficando dependente da infraestrutura construída na década anterior para
conseguir se recuperar.
De acordo com Laplane e Sarti (2006), o Brasil contava com uma estrutura industrial
diversificada e relativamente integrada, sendo ao longo desse período, o motor do
 25

desenvolvimento da economia brasileira. Este comportamento foi possível devido aos

projetos visando a infraestrutura do setor industrial em outras regiões na década de 70. Assim
o país usufruiu deste avanço mesmo durante a década de 80 com a crise inflacionária.
Para arrecadar recursos e direcioná-los para projetos de desenvolvimento regional e
indústria, os estados buscavam autonomia através da descentralização fiscal. Esta autonomia
foi alcançada na Constituição de 1988, os estados a partir de então ampliaram sua base de
arrecadação através do Imposto sobre a Circulação de Mercadorias e Serviços - ICMS
(PONTES, 2011). As UFs para conseguir mais investimentos privados, ofereceram
incentivos, reduzindo o valor da alíquota do ICMS, consequentemente diminuindo a
arrecadação, para as empresas instalarem suas plantas na região que apresentar a melhor
oferta (NASCIMENTO, 2008).
Na década seguinte, a alíquota do ICMS seria uma das principais ferramentas
utilizadas pelos estados para adquirir recursos. O setor industrial apresentou pouco
crescimento na década de 90, sendo poucos os estados que alcançaram algum crescimento. O
processo de desconcentração industrial continuou se intensificando, principalmente devido ao
processo de abertura comercial e de mudanças de caráter político econômico tanto a nível
nacional, quanto internacional. A próxima seção apresentará mais fatores envolvendo a
desconcentração com acréscimo do novo contexto econômico e dados atuais sobre osetor
industrial brasileiro serão expostos.

2.3 Da década de 90 até os dias atuais.

A globalização e a abertura comercial levaram o país a continuar o processo de

desconcentração industrial, de maneira bem menos intensa do período do conhecido “Milagre
Econômico”. O Brasil esteve numa recessão econômica no inicio da década de 1990 e com a
ascensão das medidas neoliberais tomadas pelo governo central, o Estado perdeu seu poder
intervencionista, enfraquecendo as políticas de desenvolvimento, pois o novo modelo de
Estado teria “ênfase permanente na estabilidade monetária, rigor crescente quanto à ‘bons’
fundamentos macroeconômicos e extrema modéstia em relação aos gastos sociais” (VIDAL,
2005).
Na década de 1990, segundo Castro (2011, p. 135) a indústria deixou de acompanhar
os avanços tecnológicos e organizacionais em rápida propagação nas economias
desenvolvidas. Para Laplane e Sarti (2006, p. 311), nos anos de 1990 houve uma ruptura em
 26

relação à trajetória dos cinquenta anos anteriores no setor industrial, sendo eliminados
instrumentos não tarifários de proteção e eliminação dos subsídios. Portanto o país não estaria
em condições de manter competitividade com indústrias estrangeiras, devido a falta de
incentivos e tecnologia obsoleta.
A abertura econômica modificou a organização industrial do país, pois a infraestrutura
nacional não apresentava condições para manter a concorrência com as empresas estrangeiras.
Um indício da transformação ocorrida no país devido a esse evento são os motivos que
levaram a privatização de algumas empresas na década de 1990, pois empresas que seriam
mais sensíveis à concorrência continham um caráter menos complexos para venda, logo foram
as primeiras a serem negociadas. Enquanto empresas que detinham monopólios seriam mais
complexas, pois precisavam da criação de marcos regulatórios, com credibilidade e
independência adequadas. Portanto as privatizações se concentraram em empresas da
indústria de transformação. Às vendas de ativos somaram US$ 3,5 bilhões entre o período de
1990 a 1992 (15 empresas) e US$ 5,1 bilhões nos dois anos seguintes (18 empresas),
especialmente de empresas siderúrgicas (US$ 5,6 bilhões), petroquímicas (US$ 1,9 bilhão) e
produtoras de fertilizantes (US$ 0,4 bilhão) (ABREU; WERNECK, 2014).
Cada região se comportou de uma maneira diferente quando tratamos sobre a questão
industrial. É interessante notar que muitos estados utilizaram como instrumento para adquirir
investimentos as políticas de incentivos fiscais. Os incentivos fiscais, como mencionado no
final do capítulo anterior, foram a principal ferramenta utilizada pelos estados para angariar
investimentos. Esta competição tributária entre as UFs ficou conhecida como “Guerra Fiscal”.
Esta disputa tinha como objetivo abranger políticas públicas pautadas em benefícios fiscais,
financeiros e creditícios, que buscam atrair desenvolvimento para um Estado em detrimento
de outras UFs. A “Guerra Fiscal” possibilitou que as UFs gerassem mais empregos e renda,
elevação do PIB local e a receita tributária futura. Os prejuízos seriam a desarmonia entre os
entes federados e a perda de receita presente, já que existe a chance de não ser compensada no
futuro, pois antes dos estados recuperarem os recursos aplicados para instalação das empresas,
estas podem migrar para outras localizações (NASCIMENTO, 2008).
A região Norte sofreu com essa política de abertura e desregulamentação fiscal, pois a
ZFM foi atingida negativamente, estagnando sua participação regional, perdendo
investimentos estrangeiros nas áreas de eletrônica e informática. O setor industrial nordestino
teve dificuldades nesse período por causa do retrocesso da indústria química nacional que
afetou Pernambuco e Bahia, e pela contração dos setores Têxtil e de Confecções em quase
toda região. A participação industrial no Centro-Oeste foi beneficiada pela continuidade da
 27

expansão agroindustrial e pelos elevados benefícios fiscais, atraindo investimentos para

agroindústria alimentar. O Sudeste permanece com duas faces diferentes quando se trata de
indústria, pois São Paulo (apesar de estar atraindo investimentos voltados para área de
eletrônicos que deveriam ser destinados à ZFM) e Rio de Janeiro continuaram perdendo
participação no setor; Minas Gerais aumentou sua participação devido à expansão
automobilística; e o Espírito Santo devido a presença do Porto de Tubarão em Vitória,
principal ponto de chegada e saída de mercadorias da Região, outro fator que impulsionou a
participação deste estado seria as políticas de incentivos fiscais e locais. A região Sul teve sua
participação industrial aumentada, devido aos estados aderirem às políticas de incentivos
fiscais e por apresentar condições propícias para atração de novas indústrias, como: mão-de-
obra, urbanização, agricultura moderna, proximidade com o mercado paulista, etc. (CANO,
1998).
A tabela 4 mostra a quantidade de aglomerações para cada estado, indicando como se
comportou as indústrias durante um período de oito anos na década de 1990, superando o
período de crise inflacionária e ascensão da estabilidade ocasionada pelo real. Uma
característica a se destacar é que o desnível econômico entre as regiões podem ser observadas
pela evolução da quantidade de aglomerações industriais. Temos a região Sudeste e Sul com
grande parte das aglomerações do país e as demais regiões com forte presença de pequenas e
médias aglomerações e quase ausência nas demais categorias.
 28

Tabela 4 - Aglomerações Industriais segundo a faixa de número empregados nas indústrias de transformação e
extrativa mineral – 1989/97
Pequenas Médias Grandes Macro
Total
Região/estado Aglomerações Aglomerações Aglomerações Aglomerações
1989 1997 1989 1997 1989 1997 1989 1997 1989 1997
Norte 0 2 1 1 1 1 0 0 2 4
Rondônia 1 0 1
Acre 0 0
Amazonas 1 1 1 1
Roraima 0 0
Pará 1 1 1 1 2
Amapá 0 0
Tocantins 0 0
Nordeste 9 13 11 10 3 2 0 0 23 25
Maranhão 1 2 1 2 2
Piauí 1 1 1 1
Ceará 3 1 1 1 4
Rio Grande
1 3 1 1 2 4
do Norte
Paraíba 1 1 2 2 2
Pernambuco 3 3 3 2 1 1 7 6
Alagoas 1 1 3 2 4 3
Sergipe 1 1 1 1
Bahia 2 1 1 1 3 2
Sudeste 21 25 42 41 4 4 7 4 74 74
Minas Gerais 10 10 11 12 1 1 22 23
Espírito Santo 2 2 2 2 4 4
Rio de Janeiro 3 4 5 3 1 1 9 8
São Paulo 6 9 24 24 4 4 5 2 39 39
Sul 14 21 21 19 3 3 2 2 40 45
Paraná 4 8 5 5 1 1 10 14
Santa
4 5 9 8 2 2 15 15
Catarina
Rio Grande
6 8 7 6 1 1 1 1 15 16
do Sul
Centro - Oeste 2 3 3 4 0 0 0 0 5 7
Mato Grosso 1 1 1 1 2
Mato Grosso
1 2 1 2
do Sul
Goiás 2 2 2 2
Distrito Federal 1 1 1 1
Total 46 64 78 75 11 10 9 6 144 155
Fonte: SABOIA (2000) (adaptado).

É interessante notar que mesmo em um ambiente adverso, como explicado por Cano
(1998), a região Norte teve expansão na quantidade de suas aglomerações saindo de duas em
1989 para quatro em 1990. A mesma característica se mantém na região Nordeste, que
 29

apresentou um aumento de duas aglomerações no período saindo de 23 para 25. Três estados
nordestinos, em 1997, não mantiveram o número de aglomerações em 1989, Paraíba, Alagoas
e Bahia, ambos perdendo participação no nível de pequenas aglomerações, revelando uma
característica próxima de países em desenvolvimento no mesmo período assim como
explicado em Saboia (2000). A região Sudeste não teve alterações na quantidade total de
aglomerações, as modificações estiveram presentes dentro de cada estado. Observa-se
aumento das pequenas aglomerações no estado de São Paulo e redução das macro
aglomerações e o Rio de Janeiro apresentou queda no valor das médias aglomerações. A
região Sul teve destaque por apresentar aumento das pequenas aglomerações em todos os
estados, apresentando evolução no total de suas aglomerações durante a década de 1990. O
Centro - Oeste teve aumento de suas pequenas e médias aglomerações.
Depois de superar a crise inflacionária e conseguir manter estabilidade monetária,
mesmo após a instabilidade da economia Internacional que gerou desconfiança sobre os
mercados das economias consideradas em desenvolvimento, o Brasil no início do século XXI
se encontrava numa situação econômica confortável para elaborar projetos de fomento a
indústria de maneira mais adequada.
Na década de 2000, foram aplicados três planos para incentivar o aumento da
indústria. Assim temos: Política Industrial, Tecnologia e Comércio Exterior (PITCE), Política
de Desenvolvimento Produtivo (PDP) e Política Brasil Maior (PBM).
A PITCE foi implantada em março de 2004, com a proposta de fortalecer e expandir a
base industrial brasileira por meio da capacidade inovadora, atuando no desenvolvimento
tecnológico, setores estratégicos e atividades portadoras de futuro (biotecnologia,
nanotecnologia e energias renováveis). A PDP foi instituída em 2008 com o objetivo de
fortalecer a economia do país, sustentar o crescimento e incentivar a exportação; possuía
quatro metas: estimular a inovação, ampliar a inserção internacional do Brasil, acelerar o
investimento fixo e aumentar o número de micro e pequenas empresas exportadoras. Por fim
temos o PBM que na tentativa de integralizar todas as ferramentas disponíveis dos diversos
ministérios teve como foco estimular à inovação e à produção nacional, alavancando a
competitividade da indústria nos mercados interno e externo no período entre 2011 a 2014
(ABDI, 2017).
Para explicar o comportamento da indústria, mais especificamente a indústria de
transformação, na década de 2000, analisa-se o Gráfico 1 que mostra dados sobre a
participação da indústria de transformação no PIB (PITP). Podemos observar o alto nível da
PITP das economias em desenvolvimento, com destaque para China, cujo crescimento
 30

elevado em setores como a indústria possui altas taxas, de fato em 2005 o país ocupava o
segundo lugar entre as lideranças da indústria de transformação com 11,7% da parcela no
valor adicionado mundial, atrás apenas dos EUA com 20,4% (IEDI, 2016). A partir de 2002,
o Brasil passou a ter uma PITP maior que das economias desenvolvidas, alcançando um pico
de 19,2% em 2004, se mantendo superior até 2006. Esse comportamento se deve
provavelmente ao aumento dos investimentos externos causado pela boa expectativa do
mercado após as eleições de 2002, além do início da aplicação de políticas que incentivassem
a indústria nacional como a PITCE, elevando a credibilidade do setor para atrair
investimentos.

Gráfico 1 - Participação da Indústria de Transformação no PIB para Brasil, Economias Desenvolvidas e em

Desenvolvimento

Fonte: IEDI, 2008.

Essa realidade teve mudanças drásticas após a crise de 2008. Observando a Tabela 5,
mais especificamente para os dados da indústria de transformação, nota-se que até o ano de
2008 o país obteve valores positivos na sua produção industrial e depois disso, períodos com a
produção alcançando patamares negativos se tornaram frequentes.
 31

Tabela 5 - Produção Industrial – Variações anuais em %

Indústria Bens
Geral
Extrativa transformação Capital Intermediário Consumo Durável Não Durável
2003 0,3 4,9 0,1 2,4 1,9 -2,8 0,7 -3,5
2004 8,3 4,3 8,6 20,7 7,1 8,1 21,4 5,1
2005 2,8 10,3 2,4 3,4 0,8 6,3 8,5 5,8
2006 2,7 7,4 2,4 5,1 1,7 3,9 7,4 2,9
2007 5,9 5,9 6,0 19,2 4,5 5,2 10,9 3,6
2008 3,1 3,8 3,0 16,2 1,6 1,9 3,4 1,4
2009 -7,1 -8,9 -7,0 -16,5 -8,0 -2,8 -2,7 -2,9
2010 10,2 13,5 10,0 21,3 10,4 7,0 11,6 5,5
2011 0,4 2,2 0,3 5,0 0,0 -0,4 -3,0 0,4
2012 -2,3 -0,5 -2,4 -11,2 -1,6 -0,5 -1,4 -0,2
2013 2,1 -3,6 2,8 12,2 0,4 2,6 4,4 2,0
2014 -3,0 6,8 -4,2 -9,3 -2,4 -2,3 -9,2 -0,1
2015 -8,2 3,9 -9,8 -25,3 -5,2 -9,4 -18,5 -6,7
2016 -6,5 -9,5 -6,1 -10,7 -6,4 -5,6 -14,4 -3,2
Fonte: IEDI (2017).

Após o ano de 2008 temos uma intensa queda tanto para os dois setores da indústria
representados na tabela 5, quanto para os bens produzidos. Tendo enfoque na indústria de
transformação, observa-se uma queda na produção de 7% no ano de 2009. Devido a políticas
de incentivos ao consumo propagado pelo Governo Federal os dois anos seguintes obtiveram
valores positivos para todos os membros relacionados na tabela, principalmente os bens de
capital que alcançaram a marca de 21% da produção. De 2012 até 2016 a indústria de
transformação sofreu com baixa produtividade, -9,8%, sendo inferior que o valor da produção
industrial geral, que apresentou queda de -8,2%.
Observando a situação nacional no nível estadual podemos notar grande queda no
nível de produção industrial. A Tabela 6 nos mostra dados sobre a porcentagem do valor
adicionado bruto (VAB) da indústria de transformação para as UFs entre os anos de 2003 a
2014. Os estados considerados mais industrializados da região Norte, Amazonas e Pará
apresentaram quedas no VAB industrial no comparativo dos anos de 2003 e 2014 na tabela 6,
enquanto isso os outros estados na sua maioria tiveram aumento. No Nordeste, entre os três
estados mais industrializados, somente Ceará e Pernambuco mantiveram crescimento
industrial; Bahia teve crescimento até 2010, mas em 2014 o VAB teve redução do seu valor.
No Sudeste, apenas Minas Gerais obteve aumento do seu VAB; São Paulo, a principal centro
industrial do país, obteve a maior queda percentual, caindo cerca de 5% nos últimos 12 anos;
os estados do Rio de Janeiro e Espírito Santo também sofreram com reduções dos seus VAB,
 32

mas de maneira menos intensa. Todos os estados do Sul apresentaram aumento, sendo o
maior destaque Santa Catarina que elevou o seu VAB em 2%. O Centro - Oeste manteve a
elevação do VAB em todos os estados.

Tabela 6 – Decomposição do VAB da indústria de transformação brasileira nas UFs (%) de 2003 a 2014

Unidades Federativas VAB 2003 VAB 2006 VAB 2010 VAB 2014
Rondônia 0,24 0,20 0,35 0,29
Acre 0,03 0,04 0,06 0,06
Amazonas 2,93 3,40 3,19 2,77
Roraima 0,02 0,02 0,02 0,02
Pará 1,18 1,53 0,90 1,02
Amapá 0,04 0,04 0,03 0,07
Tocantins 0,04 0,09 0,10 0,19
Maranhão 0,71 0,78 0,30 0,63
Piauí 0,21 0,21 0,21 0,27
Ceará 1,50 1,51 1,57 1,71
Rio Grande do Norte 0,40 0,46 0,50 0,36
Paraíba 0,68 0,55 0,56 0,60
Pernambuco 1,65 1,46 1,69 2,06
Alagoas 0,64 0,48 0,40 0,42
Sergipe 0,47 0,37 0,30 0,38
Bahia 2,79 2,79 3,45 2,67
Minas Gerais 8,95 10,06 10,56 10,02
Espírito Santo 2,06 2,20 1,61 1,65
Rio de Janeiro 6,20 6,25 6,38 6,12
São Paulo 43,75 43,07 41,66 38,61
Paraná 7,50 7,04 6,84 7,97
Santa Catarina 5,64 5,89 5,89 7,62
Rio Grande do Sul 8,42 7,39 8,33 8,74
Mato Grosso do Sul 0,49 0,49 0,78 1,17
Mato Grosso 0,85 0,81 1,17 1,29
Goiás 2,14 2,53 2,75 2,77
Distrito Federal 0,45 0,35 0,38 0,52
Fonte: Dados retirados do IBGE, elaboração própria.

Um fator que compromete o desempenho da indústria é a competitividade. Esta se

refere à habilidade da empresa de concorrer no mercado, sendo incentivada pela
disponibilidade de mão de obra, infraestrutura, logística, peso dos tributos, tecnologia e
inovação. O potencial competitivo da economia brasileira foi avaliado em 2016 junto com
outros 17 países3. O Brasil foi o 17º colocado, à frente apenas da Argentina, apresentando

3
Os países que compõem essa avaliação são África do Sul, Argentina, Austrália, Canadá, Chile, China, Colômbia,
Coreia do Sul, Espanha, Índia, Indonésia, México, Peru, Polônia, Rússia, Tailândia e Turquia.
 33

bom desempenho em disponibilidade de mão de obra, competição e escala no mercado

doméstico,tecnologia e informação (CNI, 2016). Na Figura 1 são apresentados os valores
referentes ao fator de Infraestrutura e Logística. O Brasil ocupa a 15º colocação, ficando
acima de Peru, Índia e Colômbia.

Figura 1 - Fator Infraestrutura e Logística

Fonte: CNI (2016)

Segundo a CNI (2016), o resultado nacional nesta categoria foi devido ao seu
desempenho. Assim como competitividade, a infraestrutura foi separada em categorias, que
não apresentaram boas classificações, prejudicando sua nota final. O desempenho de
infraestrutura e logística foram definidos: pela infraestrutura de transportes (qualidade das
rodovias, ferrovias e das zonas portuárias) em que ocupou o 18º colocação; pela infraestrutura
de energia (abrange os custos de energia para clientes industriais e disponibilidade de energia)
que se posicionou na 10º colocação (neste caso, foram avaliados apenas 10 países, devido a
insuficiência de dados para alguns); Logística Internacional (considera o tempo para exportar
e importar) ficando na 15º colocação; e por fim, infraestrutura de telecomunicações (avalia o
 34

uso e o acesso de ferramentas voltadas para telecomunicação), em que o Brasil ficou bem
posicionado (8º colocação), mas não foi o necessário para alavancar a nota total.
Portanto, neste capítulo vimos a evolução da indústria brasileira, desde a década de
1930 até 2014. Nota-se que a indústria nacional sempre foi dependente da intervenção do
governo e de um ambiente externo favorável, de modo que quando estes fatores não estavam
presentes, o setor dificilmente manteve boas estatísticas. Na próxima seção serão descritas
diversas teorias que tratam sobre o assunto de aglomerações industriais, mais especificamente,
estudos relacionados às Teorias de Localização que podem explicar o comportamento do setor
industrial nacional.
 35

3 REFERENCIAL TEÓRICO

Antes de adentrar na questão sobre os componentes presentes na teoria de localização

e dos fatores contribuintes para o surgimento das aglomerações industriais para determinadas
regiões é interessante compreender as teorias que procuraram explicar os motivos ou
necessidades do surgimento de concentrações, sendo estas industriais ou não.
Ottaviano e Thisse (2004) definem como objetivo da teoria da localização à resposta
da seguinte pergunta: por que algumas atividades de produção particulares (como plantas,
escritórios, instalações públicas, etc.) optam por estabelecer-se em alguns lugares particulares
de um determinado espaço? Essa resposta pode ser encontrada analisando cada argumento dos
pesquisadores sobre o assunto, como os clássicos Von Thünen (1826), Marshall (1890, 1920),
Weber (1929), Christaller (1933), Lösch (1940) e Perroux (1967), cujo foco são as teorias de
localização e aglomeração e os mais recentes, com mais destaque para Fujita (1988),
Krugman (1991), Thisse (1996) e Venables (1996) cujos os trabalhos englobam as duas
teorias citadas em uma única, chamada Nova Geografia Econômica. Infelizmente existe um
“gap” entre cada geração dos autores sobre o assunto, devido a problemas ocasionados por
traduções das principais obras e o local onde foram lançadas, pois os primeiros autores eram
na maioria alemães, como Von Thünen, e os autores do meio do séc. XX, ingleses.

3.1 O Modelo Clássico de Localização: VonThünen

O principal precursor dos estudos sobre a compreensão dos fatores que envolvem o
espaço e os meios de produção foi Johann Heinrich Von Thünen (1783 – 1850), considerado
pai da teoria de localização.
De acordo com Benko (1999), a sua teoria baseia-se em observações empíricas,
método contrário ao do pensamento econômico do séc XIX, na qual a análise abstrata era
frequentemente predominante. A contribuição de Von Thünen está no fato de sua teoria
utilizar vários fatores: custo de transporte, a distância (o espaço), custo de produção e lucro.
Seus estudos são elaborados a partir da hipótese de um território isolado e tem como
características: espaço agrícola homogêneo e uniforme; circundando um centro de mercado, a
cidade, no qual se efetua todas as transações.
Von Thünen partiu de duas questões sobre como as terras em torno da cidade
deveriam ser alocadas para minimizar os custos combinados para produzir e transportar os
 36

alimentos até a cidade e como seria a organização do cultivo dessas terras sabendo da
concorrência entre os proprietários de terra. Para resolver esse problema, Von Thünen
considerou que a disputa por terras entre os colonos levaria a um gradiente de aluguéis de
terra, sendo as terras próximas à cidade possuidoras de valores mais altos e conforme se
distanciam o valor tende a diminuir até o limite de zero. O raciocínio para o transporte se
inverteria para essa situação, sendo mais dispendioso quanto mais distante da cidade for
(FUJITA et al., 2002).
A partir desse cenário os colonos deveriam organizar-se de acordo com sua renda e a
cultura mais propícia a ser plantada em cada região. No equilíbrio, o gradiente de aluguel da
terra deve ser tal que induza os colonos a plantar somente o suficiente de cada produto para
atender a demanda (FUJITA et al., 2002).
A Figura 2 define adequadamente a teoria de anéis concêntricos de Von Thünen. Nela
estão presentes as curvas de equilíbrio, em que o aluguel está relacionado com a distância da
cidade. Portanto, podemos observar a disposição dos colonos em pagar para cultivar as três
culturas diferentes apresentadas a baixo, tomates representado por R1(r), batatas por R2(r) e
trigo por R3(r).

Figura 2 - Perfil da renda da terra e anéis de Von Thünen com três colheitas

Fonte: Fujita, 2009.

 37

Os produtores de tomate estão dispostos a pagar pelo aluguel de suas terras até
alcançar os limites da curva R1, devido ao fato da cultura não precisar de muitas terras e a
necessidade de estarem “frescas” na hora da venda faz com que tenham de permanecer
próxima a cidade. Os produtores de batata não precisam se preocupar com a perenidade do
seu produto, por isso não precisam permanecer tão próximos das cidades e são mais fáceis de
serem transportados, fazendo com que os produtores não necessitem elevar mais os seus
gastos. Os colonos que optarem em produzir trigo precisam de mais terras para o cultivo e o
produto é mais fácil de ser estocado devido a sua alta validade, assim, mesmo custando mais
caro o transporte é possível recuperar seu gasto com a venda do produto.
Segundo Fujita (2009), esses anéis concêntricos surgirão mesmo se nenhum
fazendeiro tenha conhecimento da produção do outro, de modo que ninguém esteja ciente de
que os anéis estão lá. Além disso, verifica-se que esse resultado não planejado é socialmente
eficiente, representando o trabalho da mão invisível de Adam Smith no seu melhor.

3.2 O alicerce para futuras teorias: Weber e Marshall

Mais de meio século depois da obra de Von Thünen (1826), Alfred Marshall (1842-
1924) obteve destaque devido sua teoria de aglomeração industrial. Marshall introduz a noção
de “atmosfera industrial” para designar a formação e a acumulação de competências no
âmbito do distrito industrial, este atua como uma entidade socioterritorial caracterizada pela
presença ativa de uma comunidade humana e de uma população de empresas num espaço
geográfico e histórico (BENKO, 1999).
Marshall (1890) examinou sistematicamente as razões para concentração geográfica e
especialização industrial em determinadas áreas, acreditando na influência das externalidades
como fator crucial para formação de aglomerações econômicas. As externalidades beneficiam
as indústrias como consequência de um efeito bola de neve, pois os empresários são atraídos
ou captam (quando já estão instalados na área de aglomeração) as vantagens da presença de
firmas vizinhas qualificadas, aproveitando para aperfeiçoar seus equipamentos, obter novas
ideias e melhorar sua organização para os negócios, portanto atraindo mais firmas e
consequetemente aumentando o tamanho da aglomeração (MARSHALL, 1890 apud FUJITA,
2009).
As externalidades marshallianas surgem devido à produção em massa (retornos
crescentes ao nível da empresa), formação de uma força de trabalho altamente especializada,
 38

disponibilidade de insumos e existência de infra-estruturas modernas (OTTAVIANO;

THISSE, 2004). Assim, os distritos industriais são fomentadas devido ao excesso de
conhecimento, às vantagens de grandes mercados para habilidades especiais e às conexões
para frente e para trás associadas aos grandes mercados locais (FUJITA et al, 2002, p.19).Os
distritos podem apresentar relações verticais, entre fases diferentes de um mesmo processo
produtivo; laterais, entre as mesmas fases de processos de produção semelhantes; e diagonais
– quando se trata de atividades de serviços prestados às indústrias do distrito (BENKO, 1999,
p.46). Apesar de sua imprecisão, o conceito de externalidades Marshallianas tem sido muito
utilizado na literatura econômica e científica regional dedicada à localização das atividades
econômicas (FUJITA, 2009), sendo tratado mais uma vez na seção relacionada a Nova
Geografia Econômica.
Contemporâneo de Marshall, Alfred Weber (1868-1958) surge apresentando estudos
empíricos sobre a evolução da localização das indústrias na Alemanha entre 1860 e 1915.
Weber (1909) desenvolveu uma teoria única de localização industrial, que influenciou
grandemente o desenvolvimento posterior da teoria da localização industrial na geografia
econômica e na ciência regional (FUJITA, 2009). Sua pesquisa se baseou na procura por
respostas teóricas para o problema de localização ótima das empresas, visando a maximização
de lucros, pois dependendo da região os custos de produção são minímos, devido a
possibilidade de minimização dos custos de transporte (BENKO, 1999).
A localização ótima tem como objetivo minimizar a soma ponderada das distâncias
euclidianas dessa planta para um número finito de sítios correspondentes aos mercados onde a
planta compra seus insumos e vende seus produtos. Assim Weber (1909) especifica pesos
para indicar os insumos e produtos consumidos ou vendidos pelas plantas das firmas,
multiplicado pelas taxas de frete apropriadas (WEBER, 1909). Esses pesos determinam um
local considerado dominante, ou seja, trata-se do local mais propício para resolver o problema
de minimização, pois para ser dominante é preciso que um local tenha seu peso maior ou igual
à soma dos pesos de todosos outros locais (OTTAVIANO; THISSE, 2004).
O modelo de Weber para localização pode ser examinado através da Figura 3. Uma
empresa pode se localizar em qualquer região, mas existem locais que envolvem um custo
minimo para poder se instalar e manter a produção. Assim, a localização ótima da empresa
deve estar o mais próximo possível de fatores que possibilitem a minimização de custos e
facilitem a produção e venda de mercadorias. Dessa forma, fatores como matéria prima e
fonte de energia podem ser representados pelas letras A e B e o mercado consumidor esta
representado pela letra M, no esquema da figura 3.
 39

Figura 3 - Esquema do Triângulo de Localização de Weber

Fonte: Benko, 1999.

Para se alcançar a localização ótima analisa-se os custos de transporte proporcionais à

distância e pesos presentes em cada um dos pontos estipulados no esquema (M, A e B). Essa
análise permite transformar o problema numa equação matemática em que se procura um
ponto de equilíbrio (BENKO, 1999). A teoria não contém uma análise de estrutura da firma e
desconsidera qualquer determinação endógena dos preços dos insumos e produtos (FUJITA,
2009).
Em determinado momento, a teoria weberiana passou a considerar fatores que
exercem atração, como centros de mão-de-obra vantajosos e formação de agrupamento
geográfico de produtores (provocando economias de aglomeração) (BENKO, 1999). Essas
questões são abordadas através de dois fatores contributivos para essa tomada de decisão, os
fatores aglomerativos e os desaglomerativos (WEBER, 1929).
Fatores aglomerativos são aqueles que proporcionam a melhora do rendimento da
firma, possibilitando o aumento das plantas, desenvolvimento de novas técnicas e
equipamentos, melhor organização do trabalho, vantagens na comercialização, pois as firmas
passam a aumentar seu mercado consumidor e obtêm mais crédito para aplicar na produção e
por fim, a divulgação da indústria é maior, já que fatores envolvendo o marketing são
explorados. Já os fatores desaglomerativos são resultantes de aumento do valor de terras e/ou
aluguel conforme o tamanho das propriedades, levando a um aumento dos custos, podendo ser
considerado uma desvantagem. Por outro lado os fatores desaglomerativos podem ser vistos
de forma positiva quando se observam os ganhos obtidos da desconcentração geográfica da
produção e/ou como uma forma de frear o crescimento das aglomerações (WEBER,1929).
 40

3.3 A perspectiva da consolidação

Os autores mencionados a seguir tiveram grande inspiração e utilizaram as teorias de

autores como Weber (1909 e 1929) e Marshall (1890 e 1920) para construírem novas
interpretações para os estudos de localização e aglomeração. Em destaque neste capítulo
temos Christaller (1933) e Lösch (1940) com a elaboração e desenvolvimento da Teoria do
Lugar Central.
Christaller (1933) apresenta uma nova forma de se compreender os processos que
envolvem a localização e aglomeração das firmas sendo de grande influência para elaboração
de pesquisas futuras, principalmente aquelas inseridas na Nova Geografia Econômica.
Christaller (1933) trabalha com conceitos bastante elaborados, como centralidade, região
complementar e hierarquia que compõem os alicerces de sua Teoria do Lugar Central, que se
baseia na noção de centralidade e resulta da organização em torno de um núcleo, como uma
cidade, por exemplo (BREITBACH, 1988).
A Teoria do Lugar Central considera um sistema ideal de abastecimento de uma
população dispersa com produtos ou serviços públicos. Essa população é uniformemente
distribuída, sendo localizada em determinada planície sem características. Logo, a produção
seria beneficiada com um grande número de produtos (chamados de “bens centrais”),
ordenados por grupos em termos de faixas de mercado, estas são determinadas pelo custo de
transporte e pelo nível de produção das economias de escala (FUJITA, 2009). A partir desse
raciocínio, sistematizaram-se os princípios de organização urbana do espaço regional,
sustentando a ideia de que o hexágono é a mais credível das formas de fronteiras de mercados
complementares. Esse princípio é modificado adiante para inserção do princípio de transporte
e principio da organização administrativa (BENKO, 1999).
A Teoria do Lugar Central prevê a auto-organização de áreas de mercado hexagonais
de vários tamanhos em um espaço uniforme e infinito em duas etapas. Primeiramente envolve
a formação de hexágonos de tamanho único para uma única indústria. Segundo, ocorre a
sobreposição de hexágonos de vários tamanhos para multi-indústrias (IKEDA et al., 2013).
Por fim, aborda-se a hierarquia das cidades, revelando a existência de dominação de um lugar
central sobre outro de ordem inferior (BREITBACH, 1988). Portanto, com uma estrutura
hierárquica de indústrias e diferentes tamanhos de demanda, surge um conjunto aninhado de
áreas de mercado hexagonal, o que leva ao surgimento de distribuições hexagonais
hierárquicas da população de lugares, como cidades, vilas e aldeias (IKEDA et al., 2013).
 41

A Figura 3 mostra como pode ser esquematizado a hierarquização das cidades através
da configuração dos hexágonos da Teoria do Lugar Central de Christaller. Quanto maior a
cidade, mais especializada deverão ser suas funções, que deverão ser ofertadas para as pessoas
moradoras das cidades menores da região. Desta forma, para sustentar esse modelo é
necessária uma grande população a fim de atrair e manter esses serviços. Na Figura 4, a
conurbação seria a região de maior expressão das atividades especializadas a serem oferecidas
pela região e o local de maior população para sustentar e atrair mais serviços. As vilas são a
representação inversa das conurbações, seus moradores tendem a se deslocar para os locais
onde os serviços são oferecidos em maior quantidade.

Figura 4 - Hierarquia Urbana nos hexágonos da Teoria do Lugar Central

Fonte: Alves e Maia (2009).

Na década seguinte a Christaller (1933), Lösch (1940) apresenta uma teoria mais
sofisticada que a Teoria de Lugar Central, conciliando esta com a parte de teoria econômica.
Lösch trata de determinar a distribuição ótima das atividades econômicas no espaço sob o
ponto de vista da máxima racionalidade, apresentando um sistema de equilíbrio geral que
descreve de modo teórico as inter-relações de todas as localizações (BREITBACH, 1988, p.
32).
Lösch (1940) se insere entre os estudiosos sobre aglomerações, devido sua teoria sobre
rede de áreas de mercado. A noção de aglomeração seria a superposição de diversas redes que
 42

levam à coincidência dos núcleos de oferta com maior demanda, valorizando, com isso,
alguns centros produtivos em detrimento de outros (BREITBACH, 1988, pág. 33 – 34).
O cenário para a elaboração da teoria de Lösch (1940) é semelhante às condições
apresentadas na Teoria de Lugar Central. Nesta versão são consideradas as matérias-primas
econômicas distribuídas uniformemente em determinada planície, onde esta deve ser
homogênea e não conter nada além de fazendas auto-suficientes que são distribuídas de
maneira regular (FUJITA, 2009). Logo, consideraremos áreas de mercado que não são o
resultado de qualquer tipo de desigualdades naturais ou políticas, mas surgem através da
interação de forças puramente econômicas. Algumas dessas forças econômicas trabalham no
sentido da concentração e outras da dispersão. No primeiro grupo estão as vantagens de
especialização e da produção em larga escala; no segundo, os custos de remessa e de
produção diversificada (OTTAVIANO; THISSE, 2004). Esses fatores constituem a área de
mercado. Na Figura 5 é revelado o formato da área de mercado, cada área inicia-se com um
circulo e deverá assumir a forma hexagonal que permite o maior número de vendas possível.
Logo, a localização ótima é função das diferenças espaciais de demanda e oferta, de tal modo
que o produtor adquira maior lucro e o consumidor os menores gastos (BREITBACH, 1988).

Figura 5 - Desenvolvimento das áreas de mercado

Fonte: Fujita, 2009.

Nesse sentido, a teoria de Lösch trata sobre a análise da aproximação de mercados e o

aumento da concorrência. A Figura 5 esta dividida em quatro partes (a, b, c, d). Em a temos
duas empresas que a princípio estão distantes podendo desfrutar de sua própria dotação de
preços, mas conforme vão se aproximando, a concorrência vai se tornando mais acirrada. No
ponto b os mercados estão tangentes e ainda configuram uma situação de livre competição, ou
seja, cada um pode obter lucros positivos mantendo um preço ótimo. Quando os mercados
atingirem as características do ponto c, assumindo a forma de hexágonos, indicará que neste
 43

momento os lucros adquiridos são zero e o equilíbrio esta estabelecido. O ponto d mostra o
mercado como um todo, sendo constituído por vários hexágonos.
A Teoria de Polarização, elaborada por Perroux, tem por objetivo encontrar uma
resposta aos problemas criados pelos desequilíbrios setoriais espaciais. Logo, por meio da
concentração de recursos em pontos discretos do espaço, como estratégia para eliminar o
dualismo econômico (centro-periferia) é bastante simples de compreender (HADDAD, 1974).
Para desenvolver seus estudos, Perroux (1967), divide o espaço em dois tipos. O
primeiro tipo é considerado um espaço geoeconômico, onde se situa meios materiais. A
segunda definição seria um espaço econômico caracterizado por três níveis: 1º) Conteúdo de
um plano, onde as empresas estabelecem suas relações de compra e venda; 2º) Campo de
forças que relaciona termos físicos para completar sua definição, os quais são: a força
centrípeta (atraí os indivíduos dentro daquele plano) e força centrífuga (afastam os indivíduos
dentro daquele plano); e 3º) Conjunto homogêneo que compreende as relações institucionais,
como por exemplo, a existência do governo e sua interação com os indivíduos.
Os pólos de crescimento possuem centros, com seus respectivos campos de força, que
emanam forças centrífugas e recepcionam forças centrípetas. Cada centro tem o seu campo
“invadido” por outros campos de outros centros. Nos pólos de crescimento está localizada a
empresa motriz, capaz de exercer um efeito propulsivo ou repulsivo na atividade econômica.
(BREITBATCH, 1988).

3.4 Nova Geografia Econômica (NGE)

A Nova Geografia Econômica (NGE) é considerada como a quarta onda da revolução

dos retornos crescentes na economia. Essa revolução começou nos anos 70, no campo da
organização industrial, durante o desenvolvimento dos primeiros modelos de concorrência na
presença de retornos crescentes (FUJITA et al., 2002, p. 17).
O foco padrão no estudo de aglomeração pela NGE é voltado para aqueles elementos
ditos de segunda natureza, como potencial de mercado, densidade do mercado de trabalho e
economias externas puras. Outra corrente teórica complementar considera fatores de primeira
natureza, como por exemplo, recursos naturais e clima (SILVA; BACHA, 2014).
A Teoria da NGE pressupõe que a compreensão da lógica dos retornos crescentes de
escala é fundamental para entender a sobrevivência do processo de aglomeração (CUNHA,
 44

2008). Os retornos crescentes de escala estão associados às ligações para frente e para trás dos
mercados locais.
A Figura 6 mostra o comportamento dos retornos crescentes de escala, sob a influência
das ligações, a partir do momento que ocorre um aumento do número de firmas em determina
região. Esse fator possibilita o aumento da produção, o aumento do consumo (ligação para
frente) e eventualmente aumento da renda do trabalhador. Esse aumento de renda atrai mais
pessoas para essa região buscando produtos ou emprego (ligação para trás), levando à atração
de novas firmas.

Figura 6 - Diagrama de Causalidade Circular na aglomeração espacial de bens de consumo, produtores e

trabalhadores

Fonte: Fujita (2007).

Então, as aglomerações das firmas e trabalhadores se formam dentro da região,

fazendo com que, através das ligações, ocorram externalidades proporcionando o surgimento
de economias de escala (no nível da firma) e retornos crescentes (no nível da cidade)
(TRIPATHI, 2012).
De acordo com Sobrinho e Azzoni (2014), as aglomerações industriais são
observações empíricas de externalidades positivas, sendo geradas pela proximidade
geográfica dos agentes econômicos, favorecendo a elevação da produtividade das firmas.
 45

Existem mais fatores além dos retornos crescentes de escala com mesmo grau de
importância na NGE, como: mobilidade dos trabalhadores, custo de transporte e concorrência
imperfeita. A mobilidade dos trabalhadores ocorre quando os trabalhadores deslocam-se para
áreas cuja presença de firmas, oferece os melhores salários e produtos, surgindo assim o efeito
denominado como ligações para frente. Logo, esse efeito incentiva os trabalhadores a se
deslocarem para os centros produtores de bens de consumo, aumentando a demanda do local.
Os custos de transportes apresentam a questão sobre as firmas terem a necessidade de se
localizarem próxima ao mercado consumidor para diminuir o seu custo com transporte e
entregar de maneira rápida os produtos demandados pelos agentes. Para ser realizada a
modelagem dos custos de transporte é utilizado um sistema de custos de transporte do tipo
iceberg. Assim, pressupõe-se que uma fração do insumo ou produto que é transportado de um
local para outro se dissolve no caminho, fazendo com que seja necessário enviar uma carga
maior até o seu destino para evitar perdas da encomenda. Na concorrência imperfeita sob a
hipótese de rendimentos crescentes de escala, os custos marginais são menores que os custos
médios, isto faz com que seja inviável um esquema de concorrência perfeita (SILVA, 2011).
Dessa forma, as empresas deixam de serem tomadoras de preços e adotam o pressuposto que
suas políticas de preços dependem da distribuição espacial de consumidores e outras empresas
(FUJITA; THISSE, 2008).
As interdependências geradas entre as escolhas de localização feitas por consumidores
e firmas devido à inserção dos rendimentos crescentes como explicado anteriormente, faz com
que equilíbrios estratégicos sejam inexistentes. Portanto, é preciso considerar essas
interdependências fracas como em modelo de concorrência monopolística (FUJITA; THISSE,
2008).
Logo, os estudiosos da NGE adotam o modelo de concorrência monopolística de Dixit
e Stiglitz4 para explicar os rendimentos crescentes de escala. Nesse modelo todas as firmas
possuem um poder de monopólio, mas é permitido que outras firmas possam introduzir
produtos que sejam substitutos imperfeitos para os que já estão no mercado (CUNHA, 2008).
A concorrência monopolística surge como uma estrutura de mercado determinada
tanto pelas preferências dos consumidores, como pelas exigências fixas das empresas para
recursos produtivos limitados. Do lado da demanda, os consumidores exibem uma preferência
pela variedade, ou seja, sua utilidade aumenta não apenas com a quantidade de cada bem
(diferenciado horizontalmente), mas também com o número total de bens disponíveis. Do

4
Ver Dixit e Stigliz (1977)
 46

lado da oferta, a produção exibe economias de escala internas para cada bem, mas sem
economias de escopo entre bens (FUJITA; THISSE, 2008).
Todos os fatores explicados até o momento são partes importantes do modelo Centro-
Periferia. O modelo Centro-Periferia permite a possibilidade de convergência ou divergência
entre as regiões e possibilita o aumento do efeito do mercado doméstico através da
mobilidade dos trabalhadores e/ou consumidores (FUJITA; THISSE, 2008).
Segundo Krugman5, é necessário partir do raciocínio em que duas economias possuem
apenas um dos dois setores a seguir: agricultores, sendo um fator imóvel e utilizado como
insumo no setor agrícola; trabalhadores industriais é um fator móvel que podem se locomover
entre as regiões e é usado como um insumo industrial (SILVA, 2011). A interação entre os
dois fatores acompanha a causalidade circular explicada na sessão anterior.
À medida que mais empresas entram no mercado local, há uma competição maior para
atrair trabalhadores. Da mesma forma, há uma maior concorrência no mercado de produtos, o
que torna a região menos atraente para as empresas (o efeito de crowding do mercado). A
combinação de todos esses efeitos pode, de fato, levar a um "efeito de bola de neve", o que
resulta em uma dispersão espacial de empresas e trabalhadores (FUJITA; THISSE, 2008).
O Quadro 1, apresenta uma sintetizados autores e teorias da economia regional,
abordados nesta seção.

5
Ver Krugman (1991).
 47

Quadro 1 - Resumo dos autores da Economia Regional e da Teoria de Localização

Autores Tema geral Principais pontos abordados

 Integração do espaço no pensamento
econômico;
 Localização das atividades agrícolas;
Modelo de Localização
Von Thünen (1826)  Anéis de Von Thünen;
Agrícola
 Uso e aluguel da Terra;
 Custos de transporte.
Aglomeração Industrial e  Atmosfera industrial;
Alfred Marshall (1890)
externalidades  Trindade Marshalliana.
 Localização ótima da empresa;
Alfred Weber (1909 -  Minimização de custos de transporte;
Localização Industrial
1929)
 Maximização de lucros.
 Centralidade;
Christaller (1933) e Lösch  Hierarquia urbana;
Teorema do Lugar Central
(1940)  Organização Urbana;
 Redes de área de mercado;
 Espaço geoeconômico
 Espaço Econômico;
Perroux (1967) Teoria da Polarização
 Campos de força;
 Pólos de Crescimento.
Krugman (1991)  Trindade Marshalliana;
Fujita (1989)  Custos de Transporte;
Nova Geografia Econômica
Venables (1996)  Concorrência Monopolística;
Thisse (1996)  Causalidade Circular do Trabalho.
Fonte: Elaboração própria.

Essesestudos auxiliam na compreensão das dificuldades inerentes ao processo de

industrialização nacional, desde as questões envolvendo os custos de transporte, até as
questões envolvendo as decisões de localização das firmas que nos últimos anos foram
decididas através da redução dos impostos da região escolhida. Diante do apresentado, este
trabalho busca entender alguns motivos determinantes da concentração industrial brasileira, a
partir de variáveis como: custos de transporte, localização das firmas e transbordamento de
conhecimento.

3.5 Referencial Empírico

As questões que envolvem a natureza da formação e constituição das aglomerações

industriais foram incrementadas nas últimas décadas devido ao estímulo das pesquisas
 48

elaboradas por Krugman e outros teóricos dentro da Nova Geografia Econômica. Assim,
muitas pesquisas empíricas, tais como Maurel e Sedillot (1999), Rosenthal e Strange (2001,
2003), Resende e Wyllie (2005) e Chen et al. (2008) foram realizadas em diversos países,
inclusive no Brasil. Nesta seção será abordado algumas pesquisas sobre a concentração
industrial.
Maurel e Sedillot (1999), utilizando um índice de concentração geográfica que se
assemelha ao índice elaborado por Ellison e Glaeser (1994, 1997). Eles investigaram de
maneira empírica a concentração geográfica das indústrias francesas e realizam uma
comparação com concentração presente nos EUA. Os autores para elaborar seus dados,
utilizaram o conjunto de dados do Inquérito Anual de Empresas (Enquete Annuelle
d’Entreprise) que apresenta dados no nível da unidade de empresas. A pesquisa foi realizada
para o ano de 1993 e usufruiu de dados de empresas concentradas nos campos de atividade de
dois e quatro dígitos, medidas para duas subdiviões geográficas: 22 regiões e 95
departamentos da França. Os resultados demonstraram que os efeitos de aglomeração podem
existir entre diferentes indústrias, com base em agrupamentos setoriais. A comparação com os
EUA resultou que ambos os países possuíam indústrias mais ou menos localizadas, com
exceção da indústria de veículos automotivos nos EUA que é mais concentrada quando
comparada com a França e a indústria de impressão e publicação mostrou um resultado de
menor concentração.
Rosenthal e Strange (2001) examinaramas microfundamentações (transbordamento de
conhecimento, agrupamento de mercado de trabalho e compartilhamento de produtos) das
economias de aglomeração para as indústrias de manufatura dos EUA. A análise utilizou
como medida o índice de concentração de Ellison e Glaeser (1994 e 1997) e abordou
município, condado e estado nos EUA, durante o quarto trimestre do ano 2000. Os autores
obtiveram resultados positivos neste estudo, pois as aglomerações, medidas pelo índice de
Ellison e Glaeser foram positivamente influenciadas pelas variáveis relacionadas às
microfundamentações. Maurel e Sedillot constataram que o emprego nos estabelecimentos
recém-formados eram menos relacionados com as microfundamentações das aglomerações do
que o emprego nos estabelecimentos existentes.
Holmes e Stevens (2002) procuraram responder os motivos que afetavam o tamanho
das plantas presentes em regiões de concentração industrial quando comparadas com
indústrias localizadas fora da concentração. Os autores utilizaram dados da County Business
Patterns (CBP) para o ano de 1992, sendo analisados dados no nível de condados e regiões
(combinação de vários estados) para indústrias no nível de três dígitos e quatro dígitos. Os
 49

resultados apresentaram um nível de concentração pequena no nível de condado, indicando a

distribuição das indústrias estão presentes numa escala maior. Os autores concluem que as
plantas em áreas concentradas se expandem para exploraras vantagens produtivas.
Wen (2003) realizou um estudo sobre a concentração espacial das manufaturas
chinesas, usando dados coletados no segundo e terceiro censos industriais nacionais,
assumindo como período analisado os anos de 1980, 1985 e 1995. Para realizar esse estudo
foram criadas regressões para analisar os possíveis fatores que impactaram no crescimento do
PIB industrial e do PIB. De acordo com o modelo, a participação regional do PIB está
positivamente relacionada com a dimensão do mercado regional. Outro fator importante foi
que os custos intra-regionais de transação e transporte facilitaram a concentração industrial. A
variável referente aos transportes está positivamente relacionada com a concentração
industrial, fato que justifica a alta concentração das indústrias de transformação nas regiões
costeiras em 1995, pois existe facilidade de escoamento das manufaturas. O autor sugere a
necessidade de se elaborar políticas para atrair indústrias nas regiões ocidentais da China.
Rosenthal e Strange (2003) abordaram duas importantes questões sobre aglomerações,
a primeira quer saber qual é o alcance geográfico das externalidades aglomerativas, a segunda
trata sobre como a organização econômica dentro dacidade afeta o nível da aglomeração. Para
a realização desta pesquisa foi utilizado o banco de dados Dun & Bradstreet Marketplacee o
período de tempo abordado foi o quarto trimestre do ano de 1996 e 1997. Os resultados
revelaram que as economias de aglomeração tendem a diminuir sua influência rapidamente
nas primeiras milhas. Outra conclusão é que a organização econômica das cidades afeta
positivamente o processo de aglomeração.
Resende e Wyllie (2005), realizaram uma pesquisa cuja proposta era medir a
aglomeração industrial para a indústria de transformação do Brasil, entre os períodos de 1995
a 2001, em que foram calculadas medidas de concentração para microrregiões e unidades
setoriais dos estabelecimentos da indústria. Neste artigo, os autores utilizaram o índice de
Ellison e Glaeser (1997) para realizar a análise das aglomerações e os dados foram retirados
da Relação Anual de Informações Sociais (RAIS). Os resultados demonstraram que não existe
padrão de aglomeração comum nos diferentes setores de quatro dígitos da indústria de
transformação e ao longo do tempo notou-se mudanças nos setores no intervalo estudado,
tendo como destaque a elevação da proporção de setores com baixo grau de aglomeração.
Lautert e Araújo (2007) tratam da concentração espacial da indústria de transformação
brasileira, de 1996 a 2001, utilizando o nível de divisões e grupos da Classificação Nacional
das Atividades Econômicas (CNAE) obtidas no banco de dados da RAIS. Através de uma
 50

análise do índice de Ellison e Glaeser (1994), os autores concluíram tendência de

desconcentração geográfica na indústria brasileira e ocorrência de desconcentração na maioria
das divisões e grupos industriais estudados, além de verificar estabilidade entre os setores
mais concentrados e menos concentrados.
Chen et al. (2008) explorou as causas da aglomeração industrial nas províncias
chinesas, sendo observadas 29 regiões, utilizando dados do compilado “Comprehensive
Statistical Data” na “Materials for 50 Yearsof New China” para os anos de 1987 a 2001. O
artigo teve como foco observar os efeitos da abertura econômica e procurar compreender os
fatores que contribuem para aglomeração na China, apoiando-se na NGE e em características
geográficas e políticas. Este estudo concluiu que a aglomeração industrial chinesa é
determinada pela abertura econômica, é explicada pela geografia, efeitos históricos, menor
influência dos governos locais, pela melhora da infraestrura, pelo elevado nível de
urbanização e a grande dimensão dos mercados, devido os efeitos de forward linkages e
backward linkages. Por fim, o artigo observa que as áreas costeiras possuem vantagem
geográfica para atração de empresas.
Os estudos Lu e Tao (2009) investigaram as tendências e determinantes da
aglomeração industrial na China, com foco nos impactos do protecionismo local sobre as
aglomerações, no período de 1998 até 2005. Analisando o índice de Ellison e Glaeser e
criando um modelo de dados em painel, pode-se concluir que os impactos do protecionismo
são robustos para os controles tradicionais que determinam a aglomeração e foi observado que
as externalidades marshallianas facilitam a aglomeração chinesa.
Através de uma análise das indústrias da China, Li et al. (2011), realizaram uma
pesquisa no intervalo de 1998 até 2005 com dados anuais, buscando entender a relação das
aglomerações industriais e o tamanho das firmas. Os autores desenvolveram um quociente de
localização para tamanho das firmas e aglomerações, e também estimaram um modelo
econométrico para dados em painel para investigar os impactos das aglomerações nas firmas.
Os resultados encontrados demonstraram que existe correlação positiva entre aglomeração
industrial e tamanho das empresas, sendo as aglomerações industriais estatisticamente
significantes para impactos positivos sobre o tamanho das firmas. Por fim, foi concluído que
as firmas se tornaram maiores quando estão localizadas próximas de um determinado número
de firmas consideradas grandes em seu tamanho, ou seja, mais influentes. O resultado não foi
alcançado quando na localização há um número maior de empresas.
Siano e D’Uva (2014) apresentaram uma pesquisa que realizou testes de presença e
estimação dos efeitos de interdependências espaciais na especialização regional italiana
 51

durante o período de 1995-2006. Utilizando-se uma Análise Exploratória de dados e de

estimação em um modelo de painel espacial, conforme a NGE, foi revelado o surgimento de
dois grupos de especialização, um altamente especializado no Norte e outro de baixa
especialização no Sul. Os resultados revelaram a influência de determinantes de
especialização de uma região sobre a especialização de seus vizinhos, com a presença de
coeficientes positivos e significativos para efeitos indiretos da variável independente,
demonstrando a existência de spillovers espaciais.
Em estudos mais recentes para o Brasil, Resende (2015), quantificou as
coaglomerações industriais entre setores pares (ou seja, setores considerados semelhantes) da
indústria de transformação no Estado do Rio de Janeiro em 2010, além de discutir, em termos
de localização de planta, fatores explicativos associados à concentração de mão-de-obra,
proximidade de fornecedores e clientes e vantagens naturais. Para esse estudo foi utilizado o
Índice de Coaglomeração elaborado por Ellison et al.(2010). O autor concluiu que existe a
presença de gargalos de suprimentos associados à falta de mão-de-obra técnica qualificada,
sugerindo no final do artigo a necessidade de expansão de escolas técnicas qualificadas.
Podemos concluir que os estudos relacionados à concentração industrial procuram
estabelecer resultados baseados nos fatores apresentados na teoria com as características de
cada região. É interessante notar a forma como a economia regional, ao longo dos últimos
anos,conseguiu mesclar métodos empíricos e as análises espaciais para alcançar seus
resultados. No caso dos estudos apresentados acima, temos diversos meios para buscar
compreender os motivos os quais incentivam a concentração industrial, sendo através da
análise dos índices ou por meio de modelos econométricos.
 52

4 METODOLOGIA

4.1 Medidas de Localização

Medidas de Localização são construídas com a intenção de mensurar aspectos sócio-

econômicos relacionados a determinado espaço. Podem-se referir à natureza setorial entre
distintas regiões, indicar especializações e concentrações na localização espacial das
atividades econômicas (ALVES, 2012). A literatura menciona diversos índices que podem ser
utilizados como medidas de localização. Os índices mais utilizados são: o Quociente
Locacional, a Razão de Concentração e o Índice de Hirshman-Herfindahl (IHH).
O Quociente Locacional mostra o comportamento locacional dos ramos de atividades
econômicas, assim como indica a presença de setores mais especializados (potenciais) nas
diferentes regiões, comparando-as a uma macrorregião de referência (ALVES, 2012). Este
índice apresenta limites, pois está condicionado a fatores como: ter a área de referência
formada por uma economia fechada; a produtividade da mão de obra em cada setor regional
ser igual à produtividade nas indústrias da área de referência; e os padrões de demanda
regional devem ser iguais aos da área de referência (HADDAD, 1974).
A Razão de Concentração é utilizada para determinar a participação de grandes
empresas no mercado e proporcionar a conexão da concentração técnica do setor estudado
com seu nível de faturamento ou participação de um mercado específico (ALMEIDA;
SILVA, 2015). A dificuldade de usar esse índice esta no fato dele ignorar o tamanho das
firmas (RESENDE; BOFF, 2002).
O IHH pode ser usado para fornecer uma indicação do nível de concentração ou
concorrência nos diferentes setores da economia, sendo uma medida para avaliar a estrutura
de mercado de uma indústria (SARMENTO; NUNES, 2015). O problema do seu uso é
assumir um cenário econômico homogêneo e não mensurar os efeitos de vizinhanças e os
resultados obtidos são incompletos, uma vez que ignoram as permutações do ordenamento
espacial das regiões (VIGNANDI et al, 2016),

Para analisar o padrão de concentração das indústrias no Brasil, utilizaremos o índice

de Ellison e Glaeser (IEG) que é pouco utilizado a nível nacional. Como apresentaremos em
mais detalhes na seção 4.1.2, o IEG diante dos objetivos propostos neste trabalho, é preferível
aos índices mencionados anteriormente por apresentar dados que permitem a possibilidade de
 53

controle das diferenças referentes à distribuição espacial do tamanho das firmas, do número
de empresas existentes e da extensão das áreas geográficas analisadas.
Além de uma discussão sobre a relevância do uso do IEG, nesta seção também
dedicaremos um espaço para o Índice de Hirshman-Herfindahl (IHH) visto que este se
constitui em um dos componentes para elaboração do IEG.

4.1.1 Índice de Hirshman-Herfindahl (IHH)

O Índice de Hirshman-Herfindahl (IHH) auxilia na identificação de atividades que se

concentram em determinada região. Por exemplo, podemos analisar a concentração de
determinado setor do estado de São Paulo comparando-o com uma região maior, no caso,
Brasil. Isso ocorre devido a existência de atividades que possuem uma capacidade maior de
concentração e de poder de atração, devido ao seu perfil produtivo (ALVES, 2012).
A principal hipótese na qual se baseia o IHH é a de que o poder de mercado está
diretamente relacionado com o grau de concentração nesse mercado. Este índice é
frequentemente utilizado na literatura como medida de concentração e pode ser denominado
como índice de informação completa devido à captura de características de toda a distribuição
das empresas por dimensão (SARMENTO; NUNES, 2015).
Devemos ser cautelosos ao analisar o IHH, pois este não reflete na quota de mercado
das empresas, a concorrência latente ou a pressão das importações. Por isso acaba sendo
considerado um indicador estático, sensível à definição de mercado e insensível na presença
de pequenas firmas (SARMENTO; NUNES, 2015).
O IHH é expresso da seguinte maneira na equação 1:

𝐻𝐻 = 𝑧
(1)

onde, i = 1,...,n, sendo n o número de firmas, 𝑧 , é a parcela de mercado da indústria i em

determinada região. Segundo Resende e Boff (2002, p. 78) o IHH varia entre e 1. O limite

superior do índice (valor = 1) está associado ao caso extremo de monopólio no qual uma
única empresa opera no mercado. O limite inferior decorre de que IHH é uma função convexa
definida no simplex 𝑧 = {𝑧 ∈ [0,1] : ∑ 𝑧   = 1}.   Assim, o índice assume o valor
 54

mínimo IHH = para 𝑧 = 𝑧 = ⋯ = 𝑧 , isto é, quando todas as empresas têm o mesmo

tamanho (𝑧 = ). Portanto temos a seguinte condição:

1
≤ 𝐼𝐻𝐻 ≤ 1
𝑛

Devido à dificuldade de se estimar esse índice no nível das unidades federativas, será
utilizada outra forma para calcular o IHH, que utiliza números de empregados. De acordo
com Alves(2012) o IHH pode ser conferido na equação2:
𝑎 𝑏
𝐼𝐻𝐻 = −
𝑎 𝑏 (2)

onde,
𝑎 é o número de empregados, no setor i da região j;
𝑎 é o número de empregados, no setor i na região de referência;
𝑏 é o total de empregados na região j; e
𝑏 é o total de empregados, na região de referência.
Desta forma, quando o valor do IHH for positivo, indica que o setor i da região j está
mais concentrado, exercendo um poder maior de atração. Caso o valor seja negativo, o poder
de atração é menor.

4.1.2 Índice de Ellison e Glaeser (IEG)

O Índice de Ellison e Glaeser (1994, 1997 e 1999) foi elaborado com o objetivo de
mensurar o nível de concentração geográfica em determinadas regiões. Lu e Tao (2009)
argumentam sobre a facilidade de utilizar esse índice para comparação de indústrias no longo
tempo. O desenvolvimento do índice se deu ao verificar três razões observadas durante
surgimento de plantas industriais que se agrupam em relação à determinada atividade
agregada, a fim de maximizar lucros. Tais razões foram ponderadas como: (I) mais plantas se
localizarão em estados com vantagens de custo observados; (II) mais plantas se localizarão
em estados com vantagens de custo não observados; e (III) as plantas se agruparão se os
spillovers (transbordamentos de conhecimentos proporcionados pela proximidade de
 55

empresas de uma mesma indústria ou de indústrias diferentes) são geograficamente

localizados (ELLISON; GLAESER, 1999).
As duas primeiras razões acima mencionadas coincidem com o cenário envolvendo
fatores que podem ser considerados como vantagem natural, influenciando certas áreas
geográficas. Um exemplo são as indústrias metalúrgicas estarem localizadas próximas de
áreas com jazidas de minérios de ferro. A última razão envolve a ideia de externalidades ou
spillovers ser o suficiente para fazer indústrias se deslocarem de uma região para outra
(ELLISON; GLAESER, 1994).
O IEG é capaz de caracterizar essas situações de forma única, pois é um estimador
imparcial do parâmetro fundamental que descreve a força da vantagem natural ou spillovers.
Assim, é possível controlar o número e a distribuição de tamanho das plantas (ELLISON;
GLAESER, 1994).
O IEG é uma medida de concentração constituída a partir da dispersão do nível de
emprego em relação a um valor de referência, corrigindo a utilização de determinado valor do
índice de Herfindahl (definido no tópico anterior) de forma a ajustar o resultado do índice
para indústrias compostas por poucas plantas, minimizando a possibilidade de setores
econômicos serem considerados concentrados (LAUTERT; ARAÚJO, 2007).
O IEG é formulado através do desenvolvimento do índice 𝑔 . Este é uma de medida de
dispersão “normal”, uma variância da participação de cada região na indústria em relação ao
valor esperado caso não houvesse concentração (COSTA, 2014). Assim podemos representar
conforme equação 3.

𝑔 = 𝑠 −𝑥
(3)

onde,
𝑥 = participação do emprego de um estado i no emprego nacional, obtido pelo quociente
entre o total do emprego industrial do estado e o total do emprego industrial do país;
𝑠 = participação do emprego da indústria j no estado i no total do emprego desta indústria no
país, calculado por meio do quociente entre o total do emprego da indústria j do estado i e o
total do emprego desta indústria em nível nacional.
O índice 𝑔 é um número que indica o quanto a participação de um estado i no
emprego da indústria j se distancia da participação deste estado como um todo, em que se
 56

considera a participação média do estado no emprego industrial (LAUTERT; ARAÚJO,

2007).
A medida 𝑔 é normalizada por Ellison e Glaeser (1997) de forma a ser definida como:

∑ 𝑠 −𝑥
𝐺 = (4)
1 − ∑𝑥

Portanto temos formulado o índice geral de concentração industrial. Para evitar que as
analises dêem como resultado setores concentrados mesmo contendo poucas firmas, é
inserido o índice IHH para aumentar a precisão dos dados (LAUTERT; ARAÚJO, 2007),
então:

∑ 𝑠 −𝑥 − (1 − ∑ 𝑥 )𝐼𝐻𝐻
𝛾=
(1 − ∑ 𝑥 )(1 − 𝐼𝐻𝐻)
𝐺 − 𝐼𝐻𝐻
𝛾=
(1 − 𝐼𝐻𝐻) (5)

O índice 𝛾 é conhecido como IEG, que utiliza dados como parcela de emprego total
presente em alguma subunidade geográfica, para compreender o padrão de concentração de
uma região. O índice lhe permite fazer comparações entre indústrias independentemente das
diferenças no nível de agregação geográfica em que os dados de emprego estão disponíveis
nos diferentes setores (ELLISON; GLAESER, 1997).
O IEG indica valores relacionados aos setores da indústria de transformação para cada
UF, visando cumprir os objetivos propostos neste trabalho, calculamos uma média ponderada
(por emprego) do IEG entre os setores da indústria para cada ano como especificado por Lu e
Tao (2009).
Quanto à interpretação do IEG, tem-se que valores positivos indicam setores da
indústria em que os estabelecimentos tendem a situar-se espacialmente próximos, ou seja, são
mais propícios à aglomeração. Valores negativos indicam que os setores analisados tendem a
se afastar. O IEG assumindo valor nulo significa que 𝐺 = 𝐼𝐻𝐻, ou seja, a região analisada
possui empresas que se dispõe aleatoriamente no espaço. Caso IHH seja nulo, 𝛾 não possui
influencia de aspectos da organização industrial (RESENDE; WYLLIE, 2005).

4.2 Dados em Painel

 57

Neste trabalho serão utilizados “dados em painel” que se referem a um agrupamento

de observações na forma de seções transversais (famílias, países, firmas, etc) numa série de
tempo (BALTAGI, 2005). Dados em Painel tem como principal vantagem sobre as demais
formas, uma maior flexibilidade ao pesquisador na modelagem das diferenças entre as
unidades da análise (GREENE, 2008). Outra vantagem é poder acompanhar a mesma unidade
de análise ao longo do tempo, pois o número de observações é maior que nos outros tipos de
bases (seções transversais e série temporal) o que aumenta os graus de liberdade da estimação,
reduzindo a colinearidade entre as variáveis, fazendo com que a eficiência das estimativas
seja elevada, além de possuir maior controle individual da heterogeneidade (BALTAGI,
2005). Assim, podemos representar a estrutura básica dos modelos de dados em painel através
da equação 6:
𝑦 = 𝑋′ 𝛽 + 𝜀 + 𝑢
(6)
sendo i = 1,..., N e t = 1,..., T. Em que N representa o número de seções transversais do
modelo, no caso 27 Unidades Federativas, e T representa a série temporal contida no intervalo
de 2003 a 2014, ou seja, 12 anos. Existe K regressores em 𝑋′ , não incluindo um termo
constante. A heterogeneidade, ouefeito individualé dado por 𝜀 termo que possuium conjunto
de variáveis individuais ou um grupo específico, que pode ser observado ou não, e constante
no tempo.
Dependendo do comportamento do termo 𝜀 é necessário que o modelo apresente uma
abordagem diferente para se adaptar aos seus efeitos nos estimadores. Na próxima seção serão
analisados o Efeito Fixo e Efeito Aleatório,considerados modelos estáticos, que lidam com
essa situação. Afim de cumprir com os objetivos propostos e analisar o comportamento
causado por variáveis econômicas na concentração industrial no decorrer do tempo, será
utilizada a ferramenta de Vetores Autorregressivos aplicado em painel (PVAR) na sequência.

4.2.1 Estimador de Efeito Fixo

Considerando uma regressão de dados em painel simplificado representado pela

equação 7 a seguir:
𝑦 = 𝛼 + 𝑋′ 𝛽 + 𝜀
(7)
em que 𝑖 = 1, … , 𝑁; 𝑡 = 1, … , 𝑇. O termo i representa o número de seções transversais do
modelo, enquanto o termo t é o período de tempo abordado. O termo α é um escalar, β é um
 58

vetor K x 1 e 𝑋′ é uma matriz n x K de variáveis explicativas. O termo de erro trata-se do 𝜀 ,

este pode ser representado pela equação 8:
𝜀 =𝜀 +𝑢
(8)
onde 𝜀 é o efeito individual não observado e 𝑢 representa a perturbação restante. Se 𝜀 é o
efeito individual, neste caso significa que é permitido uma correlação arbitrária entre o termo
não observado e as variáveis explicativas observadas em 𝑋′ (GREENE, 2008).
Para uma modelagem analisar as alterações de determinada variável no tempo, é
conveniente não se considerar os fatores constantes. Muitas vezes há elementos de 𝑥 que são
constantes ao longo do tempo para um subconjunto da seção transversal. Para a estimação
exibir um resultado robusto, não se pode considerar esses elementos constantes em 𝑥 , pois
𝜀 , sendo correlacionado com cada elemento de 𝑥 , não distingue os efeitos de tempo da
constante observável dos efeitos de tempo da constante não observável. Sendo assim, é
importante considerar que as variáveis explicativas devam ser condicionadas a 𝜀 de acordo
com a seguinte proposição:
𝐸(𝑢 |𝑥 , 𝜀 ) = 0
em que t = 1, 2,..., T.
Espera-se que este modelo represente uma relação causal, onde o condicionante de 𝜀
nos permita controlar os fatores não observados que são constantes no tempo
(WOOLDRIDGE, 2001).

4.2.2 Estimador de Efeito Aleatório

O efeito aleatório parte da suposição de que os efeitos individuais são estritamente não
correlacionados com os regressores, então pode ser apropriado, modelar os termos constantes
específicos individuais, distribuídos aleatoriamente entre as unidades transversais. O custo é a
possibilidade de estimativas inconsistentes (GREENE, 2008)
Uma análise de efeitos aleatórios coloca 𝜀 no termo de erro, levando a ser preciso
considerar a presença de exogeneidade estrita, assim como o efeito fixo, e ortogonalidade
entre 𝜀 e 𝑥 , pois 𝜀 pode estar correlacionado com o termo de 𝑥 . Assim é preciso
estabelecer as seguintes condições:
a) 𝐸(𝑢 |𝑥 , 𝜀 ) = 0, t = 1,..., T.
b) 𝐸(𝜀 |𝑥 ) = 𝐸(𝜀 ) = 0
 59

Para essas condições serem aceitas o Efeito Aleatório considera correlação zero entre
as variáveis explicativas observadas e o efeito não observado, de acordo com a premissa
(WOOLDRIDGE, 2001):
𝐶𝑜𝑣(𝑥 , 𝜀 ) = 0
em que t = 1, 2,..., T.
Para decidir quais dos estimadores, efeito fixo ou aleatório, é o mais adequado para o
modelo, foi proposto o Teste Hausman. Este teste é baseado na diferença entre as estimativas
de efeitos aleatórios e efeitos fixos. Para optar pelo efeito fixo é necessário rejeitar a hipótese
nula. Uma vez que os efeitos fixos são consistentes quando 𝜀 e 𝑥 são correlacionados, mas o
efeito aleatório é inconsistente, uma diferença estatisticamente significativa é interpretada
como evidência contra a suposição de efeitos aleatórios 𝐸(𝜀 ) = 0 (WOOLDRIDGE, 2001).

4.3Vetores Autorregressivos em Painel (PVAR)

A modelagem PVAR apresenta as mesmas características dos modelos VAR aplicados

a séries temporais. Nesse sentido, todas as variáveis são endógenas e interdependentes, com o
acréscimo de seções transversais ao modelo. PVAR é particularmente adequado para analisar
a transmissão de choques idiossincráticos entre as unidades e o tempo (CANOVA;
CICCARELLI, 2013). Esta característica que torna importante o uso desta ferramenta nesta
pesquisa, pois assim podemos observar os choques de determinados fatores que possam afetar
o comportamento da concentração no tempo. Em vez de realizarmos um diagnóstico apenas
com a dinâmica de uma variável em relação a uma cross-section, com o PVAR, podemos
fazer um diagnóstico envolvendo mais cross-sections para a mesma variável. Logo, o PVAR é
representado pela equação 9:

𝑦 =𝛼 + 𝛼 𝑦, + 𝛿 𝑥, +𝜑 𝑓 +𝑢
(9)

(i= 1,...,N; t = 1,...,T)

em que 𝑓 é uma variável não observada para o efeito fixo e os coeficientes 𝛼
(𝛼 ,𝛼 ,...,𝛼 ), 𝛿(𝛿 ,...,𝛿 ) e 𝜑 são os coeficientes da projeção linear de 𝑦 , sobre uma
constante, valores passados de 𝑦 , e 𝑥 , , e o efeito individual de 𝑓 , respectivamente.
O PVAR possui três características a serem consideradas que o distinguem de um
VAR aplicado para séries: 1) defasagens de todas as variáveis endógenas de todas as unidades
 60

entram no modelo para a unidade i, sendo estas conhecidas como interdependências

dinâmicas; 2) o termo de erro, 𝑢 , geralmente esta correlacionado em i,este recurso é
chamado como interdependência estática,além disso, uma vez que as mesmas variáveis estão
presentes em cada unidade, existem restrições na matriz de covariância dos choques; 3) por
fim, temos que o intercepto, a inclinação e a variância dos choques podem ser específicas da
unidade, este fato é denominado como heterogeneidade transversal. De certa forma, um VAR
de painel é semelhante a VARs de grande escala onde são permitidas interdependências
dinâmicas e estáticas (CANOVA; CICCARELLI, 2013).
Na próxima seção serão abordados testes que devem ser realizados para decidir se o
PVAR é a ferramenta mais apropriada para integralização deste estudo, pois para sua
execução é necessário que todas as variáveis sejam estacionárias. Assim, no primeiro
momento teremos a definição dos testes de Raiz Unitária em Painel e Testes de Cointegração.

4.3.1 Testes de Raíz Unitária

Na Literatura temos autores como Levi e Lin (1992), Pesaran e Smith (1995) e
Maddala e Wu (1999) que elaboraram testes para detectar a presença de raiz unitária nas
séries de tempo para dados em painel. Segundo Breitung e Pesaran (2005) os testes seguem
um raciocínio comum apresentando poucas diferenças entre eles. Supondo uma série temporal
{𝑦 , … , 𝑦 } com corte transversal de i = 1, 2,..., N são gerados para cada i um processo
autorregressivo de primeira ordem, AR(1). Esse processo é representado pela equação 10, de
acordo com Maddala e Wu (1999):
∆𝑦 = 𝜌 𝑦 , +𝜀
(10)

Supondo que tenhamos o interesse em testar 𝜌 = 0 vs. 𝜌 < 0, aplicaríamos um

único teste de raiz unitária para equação 10, então teríamos de maneira simplificada diferentes
hipóteses para detectar a presença de raiz unitária em painel:
𝐻 :𝜌 = 0
𝐻 :𝜌 < 0
para i = 1, 2,..., N.
 61

Portanto podemos considerar que 𝐻 é a hipótese nula que considera a série com
presença de raiz unitária e 𝐻 como a hipótese alternativa, cuja resposta reflete a ausência de
raiz unitária, ou seja, a série do painel é estacionária.
Os testes de raiz unitária para dados em painel apresentam peculiaridades que podem
torná-los melhores ou piores, quando comparados. Logo serão apresentados três dos mais
utilizados, a saber, os testes LL, IPS e Fisher. Levi, Lin e Chu (2002) consideram que todos os
indivíduos no painel possuem idêntica primeira ordem de autocorrelação parcial, mas todos os
outros parâmetros no processo de erro podem variar livremente entre os indivíduos. Há a
argumentação de que, em contraste com as distribuições padrão de estatísticas de teste de raiz
unitária para uma única série de tempo, as estatísticas de teste de painel têm distribuições
normais limitantes. O teste de Levin-Lin (LL) geralmente é mais aplicável por permitir efeitos
específicos individuais, bem como heterogeneidade dinâmica entre grupos, e requer N/T → 0,
em que N (a dimensão das seções transversais) e T (a dimensão das séries temporais), sendo
que, ambos, quando vistos isoladamente, tendem para o infinito (IM; PESARAN; SHIN,
2003).
O Teste Im, Pesaran e Shin (IPS) apresenta um modelo com uma tendência linear para
cada uma das N unidades da seção transversal. Assim, em vez de reunir os dados, são
utilizados os testes de raiz unitária para as N seções transversais. Portanto, podemos
considerar um teste t para cada seção transversal com base em T observações. O teste IPS é
uma maneira de combinar a evidência sobre a hipótese de raiz unitária a partir dos testes de N
raízes unitárias realizadas em N seções transversais (MADDALA; WU, 1999).
Esse teste t (chamado de t-bar) utilizado para analisar o Teste IPS é baseado na média
das estatísticas (aumentadas) de Dickey-Fuller. Esta estatística é mostrada para convergir em
variável com probabilidade normal padrão, sequencialmente com T → ∞, seguido por N → ∞.
Assim é esperado um resultado de convergência diagonal com T e N → ∞ enquanto N=T →
K, sendo K uma constante não-negativa e finita (IM; PESARAN; SHIN, 2003).
Portanto, para realizar o teste de raiz unitária o teste IPS parte da avaliação da equação
11 a seguir:
𝑡̅ , −𝜇
√𝑁 → 𝑁(0,1), (11)
𝜎

onde 𝑡̅ , = ∑ 𝑡 , , sendo 𝑡 , (𝑖 = 1, 2, … , 𝑁) e 𝐸 𝑡 , =𝜇e𝑉 𝑡, =𝜎 .

Maddala e Wu (1999) propuseram o seguinte teste, equação 12, baseado no proposto

por Fisher (1932):
 62

𝑃 = −2 𝑙𝑛𝑝
(12)

A vantagem deste teste é que não requer um painel equilibrado como no caso do teste
IPS e pode ser realizado para qualquer teste de raiz unitária. Além disso, podem ser usados
diferentes comprimentos de latência na regressão ADF individual. O teste Fisher se baseia na
combinação dos níveis de significância de diferentes testes (MADDALA; WU, 1999).
É interessante ressaltar que os testes LL, IPS e Fisher conseguem lidar com problemas
envolvendo heterocedasticidade e correlação serial nos erros, mas apresentam problemas
quando existe correlação entre as seções transversais. Também pode-se dizer que dos três
testes, o mais eficaz na detecção de raiz unitária seria o teste Fisher, seguido pelo teste IPS e
por último o LL (MADDALA; WU, 1999).

4.3.2 Teste de Cointegração em Painel

Em séries temporais, cointegração refere-se à ideia de que para um conjunto de

variáveis que são individualmente integradas de ordem um, I(1), a combinação linear dessas
variáveis pode ser descrita como estacionária. O vetor dos coeficientes de inclinação que
torna esta combinação estacionária é referido como vetor de cointegração. No Painel, as
técnicas de cointegração destinam-se a permitir a seleção de informações sobre relações de
curto e longo prazo através da análise de seções transversais (PEDRONI, 1999). Para a
realização do teste de cointegração é comum partir do modelo de acordo com a equação 13:
𝑦, =𝛼 +𝛿𝑡+𝛽 𝑥 ,
+𝛽 𝑥 ,
+ ⋯+ 𝛽 𝑥 ,
+𝑒, (13)

Para t = 1, 2,..., T; i = 1,..., N; m = 1, ...,M

onde T se refere ao número de observações ao longo do tempo, N trata-se do número de
seções transversais e M representa o número de variáveis regressoras. Uma vez que existam N
membros diferentes no painel, pode-se considerar N equações diferentes, cada uma com M
regressores.
O Teste de Pedroni propõe duas categorias para examinar se a hipótese nula, ou seja,
modelo não cointegrado, será rejeitada ou não. A primeira categoria envolve a média das
estatísticas de teste para cointegração nas séries temporais em seções transversais. Na segunda
 63

categoria a média é feita em partes, de modo que as distribuições limitantes são baseadas em
limites por partes de termos de numeradores e denominadores (BALTAGI, 2005). Logo, o
Teste de Pedroni discute a construção de sete estatísticas separadas nas duas categorias within
e between. São quatro presentes na categoria within e três baseadas em agrupamentos,
inseridos na categoria between. Três dos quatro testes presentes na categoria within são
correções não paramétricas e outra sendo paramétrica baseada no teste ADF. Na categoria
between são dois testes não paramétricos e um terceiro baseado no teste ADF (BANERJEE,
1999). A categoria within é baseada em estimadores que efetivamente agrupam o coeficiente
autorregressivo entre diferentes membros para os testes de raiz unitária sobre os resíduos
estimados, enquanto a categoria between se baseia em estimadores que medem os coeficientes
individualmente para cada integrante da seção transversal. Uma consequência desta distinção
surge em termos do coeficiente autorregressivo, 𝛾 , dos resíduos estimados sob a hipótese
alternativa de cointegração (PEDRONI, 1999).
Considerando a equação dos resíduos:
ê , = 𝛾î ê , +û,
(14)
em que temos a presença do coeficiente autorregressivo, 𝛾 , podemos apresentar para os testes
de cointegração de Pedroni duas hipóteses nulas e duas alternativas, separadas para cada
categoria. Considerando 𝐻 a hipótese nula e 𝐻 a hipótese alternativa, a representação das
hipóteses para a categoria within seria:
𝐻 :𝛾 = 1
𝐻 :𝛾 = 𝛾 < 1
As hipóteses para a categoria between seriam representadas como:
𝐻 :𝛾 = 1
𝐻 :𝛾 < 1
Outro teste de cointegração para dados em painel é o de Westerlund (2007) que se
baseia numa dinâmica estrutural e não na dinâmica residual para estabelecer suas hipóteses e,
portanto, não impõem nenhuma restrição de fator comum. Os testes baseados em resíduos
exigem que o vetor de cointegração de longo prazo para as variáveis em seus níveis sejam
iguais ao processo de ajuste de curto prazo para as variáveis em suas diferenças. Portanto são
propostos quatro testes, divididos em dois grupos para analisar se o modelo é cointegrado.
Estes testes são mais precisos e apresentam resultados mais contundentes do que os baseados
em resíduos, como os testes de Pedroni.
 64

As quatro estatísticas são diferenciadas de acordo com a formulação da hipótese

alternativa. Duas são conhecidas como Painel e se baseiam no agrupamento das informações
relativas à correção dos erros das seções transversais. O restante é conhecido como
Estatísticas de Média de Grupo e não exploram essas informações. Para as estatísticas de
painel, as hipóteses nulas (𝐻 ) e alternativas (𝐻 ), respectivamente, são formulas como:
𝐻 :𝛼 = 0
𝐻 :𝛼 = 𝛼 < 0
ambas as hipóteses são para todos os i, indicando que sua rejeição deve ser a escolha tomada
como evidência de cointegração para o painel como um todo. Em contraste, para as
estatísticas de média de grupo, temos 𝐻 sendo testado em relação 𝐻 : 𝛼 < 0 para alguns i,
sugerindo que rejeição deve ser tomada como evidência de cointegração para pelo menos uma
das seções transversais.

4.3.3 Impulso Resposta e Decomposição da Variável

As funções impulso-resposta descrevem a reação de uma variável às inovações em

outra variável no sistema, enquanto mantém todos os outros choques iguais a zero (LOVE;
ZICCHINO, 2006). A identificação de choques pode ser realizada por métodos padrões ou
através de métodos que envolvem interdependências estáticas entre as unidades e a simetria
cruzada (CANOVA; CICCARELLI, 2013).
No método padrão reduz-se o número de restrições de identificação a partir da
suposição de que ∑ 𝑢 (u sendo os resíduos do modelo) trata-se da diagonal principal. Essa
diagonalidade implica em diferentes respostas dentro e entre as unidades (CANOVA;
CICCARELLI, 2013).
No método que envolve interdependências é interessante observar as respostas das
variáveis endógenas a choques nos coeficientes, assim descreve-se a evolução destes ao longo
do tempo. Nessa situação, as respostas podem ser obtidas como a diferença entre duas
previsões condicionais: uma onde o coeficiente recebe o choque e outra a perturbação é
ajustada a zero (CANOVA; CICCARELLI, 2013).
A identificação do impulso resposta parte das variáveis que são ordenadas primeiro,
afetando as variáveis na sequência, contemporaneamente, com um lag de defasagem de uma
para outra, ou seja, as variáveis que aparecem anteriormente no sistema são mais exógenas
 65

quando comparadas com as demais apresentadas logo a seguir, sendo estas mais endógenas. A
decomposição da variância mostra a porcentagem da variação em uma variável que é
explicada pelo choque para outra variável, acumulada ao longo do tempo. As decomposições
de variância mostram a magnitude do efeito total (LOVE; ZICCHINO, 2006).

4.4 Dados

Os dados desta pesquisa foram coletados, primeiramente para a construção do IEG,

utilizando as equações explicitadas na seção anterior, e também para, elaboração das variáveis
utilizadas na análise do modelo econométrico, que será posteriormente descrito.
Para elaborar o IEG, os dados foram extraídos da RAIS do Ministério do Trabalho
Emprego (MTE). Os dados escolhidos foram no nível de estabelecimento, onde foram
coletados tanto o número de empregados quanto o número de indústrias, referente à indústria
de transformação para cada uma das 27 UFs do Brasil, no intervalo de 2003 até 2014. Estes
estão separados no nível de agregação de dois dígitos, contendo 23 setores, de acordo com a
Classificação Nacional de Atividades Econômicas, CNAE 1.0 ou CNAE 95.
A decisão pela escolha dessas características da base de dados foi tomada devido a
sugestões presentes na literatura. De acordo com Resende e Willie (2005), na medição no
nível de emprego, é interessante optar por utilizar apenas os valores referentes á indústria de
transformação, pois esta apresenta um grau baixo de informalidade do emprego quando
comparado aos outros setores de Classificação do IBGE. Além disso como a base está restrita
aos vínculos formais, a análise feita na indústria de transformação terá possibilidade maior de
veracidade (RESENDE; WILLIE, 2005).
A versão CNAE 2.0 não foi utilizada, pois a classificação dos setores foi alterada para
os anos seguintes a 2007, apresentando mais divisões que não possuem fontes para os anos
anteriores. Portanto, devido ao fato da análise do estudo se iniciar em 2003, a CNAE 1.0
mantém o padrão durante todo o intervalo estudado. Segundo Vignandi et al (2016), essa
medida é para manter a compatibilidade entre a variável necessária para os cálculos das
medidas de concentração.
A utilização dos dados retirados da RAIS contém alguns problemas. Um problema
difícil de contornar ocorre nas indústrias cujas empresas trabalham com várias plantas, já que
algumas adotam sistemas centralizados para informar a RAIS, lotando todos os seus
empregados em um único endereço (em geral na matriz) (RESENDE; WILLIE, 2005).
 66

Além do IEG que será calculado com os dados acima descritos, serão coletadas
variáveis adicionais que irão ser analisadas dentro do modelo econométrico. O modelo tratado
neste trabalho é baseado nos modelos econométricos, considerados estáticos, elaborados por
Chen et al (2008), Lu e Tao (2009) e Li et al (2011), em que parte das variáveis foram
inspiradas nesses artigos. Essas variáveis foram feitas a partir dos dados presentes no Censo
Demográfico do IBGE, Banco Central do Brasil e da Pesquisa Nacional por Amostras e
Domicílio (PNAD). De maneira a retratar o momento econômico durante seu período de
crescimento, os dados utilizados são anuais e estão presentes no corte temporal no intervalo
de 2003 até 2014. Todas as variáveis que contém valores em moeda, como os relacionados ao
VAB e PIB, na sua composição possuem seus valores a preços constantes de 2014, calculado
através do Índice Geral de Preços – Disponibilidade Interna 6 (IGP-DI), como deflator.
As variáveis utilizadas para estimar o modelo abordam a influência do governo,
transbordamento de conhecimento, externalidades e custos de transporte voltados para Brasil.
O Quadro 2 mostra um resumo das variáveis utilizadas, sigla, descrição, origem, referências e
a expectativa do comportamento de cada uma, representada por sinais, em relação á
concentração industrial.

6
Medido pela FGV e coletado no IPEA, o IGP-DI está estruturado para captar o movimento geral de preços
através de pesquisas envolvendo todo o processo produtivo, desde preços de matérias-primas agrícolas e
industriais, passando pelos preços de produtos intermediários até os bens de capital. O propósito inicial do índice
era indicar as fases de ciclo econômico, deflacionando a antiga série de evolução de negócios. Atualmente seu
papel está relacionado a deflator estendido às Contas Nacionais (IBRE 2016).
 67

Quadro 2 - Descrição das variáveis

Sinais
Variáveis Siglas Fonte Descrição esperados Referência
no modelo
Índice que avalia o nível de
Índice de Ellison e concentração industrial elabora a Lu e Tao
EG RAIS
Glaeser partir da parcela de emprego (2009)
retirado da RAIS
Chen et al.
Arrecadação do ICMS dividido pelo (2008); Lu
Arrecadação do Banco Valor Adicionado Bruto Industrial. e Tao
ICMS -
ICMS Central/IBGE Representa a participação do (2009) e
governo na economia. Pontes
(2011)
Parcela de educação para pessoas
com 11 anos ou mais de estudos.
SIDRA
Transbordamento Proxy prepara para captar a Chen et al
EDUC (Censo e +
de conhecimento presença de transbordamento de (2008)
PNAD)
conhecimento e mobilidade do
trabalhador

Participação Parcela das empresas por estado.

Chen et al
Regional das FIRM RAIS Medida referente à externalidade +
(2008)
firmas das indústrias.

Parcela das empresas dividido pela

Rosenthal
Competitividade quantidade de empregados.
COMP RAIS + e Strange
entre as firmas Referente à externalidade das
(2003)
indústrias.
Parcela dos VAB dos transporte e
comunicação dos Estados em
Chen et al
Custos de Negócio CUST IBGE relação com a parcela do PIB para +
(2008)
os Estados. Variável proxy para
medir os custos de transporte.
Fonte: Elaborada pelo autor.

A variável ICMS é uma proxy relacionada ao governo, presente nos modelos de Chen
et. al. (2008) e Lu e Tao (2009) e que foi adaptada nesta pesquisa, de modo a atender as
características pertences ao Brasil. No modelo de Chen et al. (2008) essa variável é uma
medida originada de despesas do governo divido pelo PIB Industrial. No modelo de Lu e Tao
(2009) o governo é representado pela presença das empresas estatais. O equivalente nacional
foi retirado do trabalho de Pontes (2011), em que é utilizada a arrecadação do ICMS dividida
pelo VAB da Indústria, medido para cada UF. Esta variável tende a ser negativa no modelo,
pois os estados tendem a reduzir o valor da arrecadação para atrair mais indústrias,
favorecendo a concentração industrial.
Para representar o transbordamento de conhecimento e mobilidade de trabalho o
modelo de Chen et al (2008) utiliza a parcela de educação das províncias, municípios e
condados da China. Para o caso brasileiro, foi utilizada a parcela de pessoas com 11 anos até
 68

14 anos de estudo. A expectativa é que essa proxy afete positivamente a concentração

industrial, pois entende-se que regiões possuidoras de indivíduos com mais anos de estudo
tendem a colaborar para atrair mais industrias, favorecendo a concentração industrial.
As externalidades foram representadas por duas variáveis. Primeiro temos a
participação regional das firmas que, é a medida relativa referente à externalidade industrial.
Esta proxy é representada da mesma forma que a variável apresentada no modelo contido em
Chen et al (2008), ou seja, é a parcela da quantidade de firmas de cada unidade federativa em
relação ao total nacional. A segunda variável trata-se da competitividade das empresas,
variável presente no modelo de Rosenthal e Strange (2003), em que temos a quantidade de
firmas dividida pela quantidade de empregados, sendo calculada para cada UF. A expectativa
é que cada uma das variáveis afete positivamente a concentração.
Por fim, a partir do modelo de Chen et al (2008), temos a proxy referente ao custo de
negócio, particularmente relacionada com os transportes, pois se trata da disposição da firma
se deslocar de uma região para outra de acordo com a infraestrutura que ela pode encontrar.
Para o caso Chinês, utiliza-se uma relação entre o PIB de Transporte dividido pelo PIB
industrial de cada província com o PIB de Transporte dividido pelo PIB industrial do país.
Para o Brasil é utilizado o VAB do Transporte, Armazenagem e Correio ao invés do PIB de
transportes e VAB da Indústria de Transformação em vez de PIB Industrial.
Considerando as variáveis apresentadas no Quadro 2, espera-se estimar um modelo, de
acordo com a metodologia de dados em painel,conforme modelo empírico da equação:
𝐸𝐺 = 𝛼 + 𝛽 𝐼𝐶𝑀𝑆 + 𝛽 𝐸𝐷𝑈𝐶 + 𝛽 𝐹𝐼𝑅𝑀 + 𝛽 𝐶𝑂𝑀𝑃 (15)
+ 𝛽 𝐶𝑈𝑆𝑇 + 𝜀

em que i são as UFs (i = 1, 2,..., 27) e t representa o tempo (t = 2003, 2004,...,2014).

Consideramos α como termo constante, β (𝛽 , … , 𝛽 ) são os parâmetros de cada uma das
variáveis sugeridas e 𝜀 é o termo de erro aleatório, com média zero e variância constante.
 69

5 ANÁLISE DE RESULTADOS

Esta seção tratará da análise e discussão dos resultados. Primeiramente será feita a
análise de estatística descritiva das variáveis, bem como do índice de concentração de Ellison
e Glaeser (IEG). Além disso, serão apresentadas duas seções com a análise econométrica. A
primeira corresponde a estimação do modelo de dados em painel para verificar o impacto dos
regressores na variável dependente EG através de uma análise estática. Já a segunda parte
envolverá a estimação do PVAR, em que serão feitos testes de estacionariedade e
cointegração, análise dos impulsos resposta e decomposição da variância, para se realizar uma
análise dinâmica do modelo. Portanto, o objetivo será observar a reação das variáveis
propostas para o modelo na concentração industrial, medida pelo IEG,de forma estática e
dinâmica.

5.1 Índice de Concentração IEG e Estatísticas Descritivas

Nesta seção será apresentado primeiramente o índice de concentração de Ellison e

Glaeser (IEG), conforme foi abordado na sub-seção 4.1.2, para as 27 UFs e para os anos de
2003 a2014. A Tabela 7 representa a evolução do IEG para cada UF no período citado. Para a
interpretação dos dados é preciso ressaltar que o valor positivo do IEG representa estados com
setores atraindo novas firmas. O valor negativo trata-se de estados com setores, antes juntos,
se afastando. Quanto mais próximo de zero, maiores são os indícios de que as firmas tendem a
se dispersar no espaço de maneira aleatória pela região. A forma de se analisar o IEG no
decorrer dos anos é diferente de ver os dados de maneira isolada. Quando é notado que ao
longo do tempo ocorre uma diminuição da intensidade dos valores de IEG, pode se
caracterizar uma região em processo de desconcentração industrial. A elevação da intensidade
dos valores de IEG no decorrer dos períodos analisados, indica processo de concentração.
Esta característica de ascensão pode ocorrer mesmo se o valor do índice for negativo.
 70

Tabela 7 - Índice de Concentração de Ellison e Glaeser (IEG) para cada UF – 2003-20147

Unidades IEG IEG IEG IEG IEG IEG IEG IEG IEG IEG IEG IEG
Federativas 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014
Rondônia 0,070 0,070 0,061 0,051 0,045 0,038 0,035 0,034 0,031 0,028 0,028 0,027
Acre 0,059 0,060 0,057 0,046 0,044 0,042 0,040 0,039 0,035 0,033 0,029 0,025
Amazonas -0,048 -0,072 -0,080 -0,073 -0,069 -0,043 -0,041 -0,053 -0,067 -0,067 -0,075 -0,056
Roraima 0,053 0,047 0,052 0,047 0,047 0,044 0,042 0,039 0,040 0,033 0,030 0,032
Pará 0,028 0,025 0,022 0,016 0,015 0,021 0,020 0,018 0,017 0,018 0,018 0,020
Amapá 0,030 0,041 0,041 0,032 0,031 0,034 0,034 0,032 0,029 0,027 0,027 0,027
Tocantins 0,028 0,030 0,029 0,026 0,026 0,023 0,023 0,021 0,021 0,019 0,020 0,018
Maranhão 0,040 0,040 0,036 0,032 0,031 0,029 0,025 0,025 0,022 0,021 0,017 0,020
Piauí 0,031 0,031 0,030 0,027 0,028 0,027 0,026 0,024 0,023 0,022 0,021 0,021
Ceará 0,044 0,041 0,033 0,030 0,025 0,023 0,017 0,017 0,015 0,010 0,007 0,007
Rio Grande do
0,026 0,023 0,022 0,020 0,018 0,016 0,015 0,018 0,017 0,017 0,017 0,016
Norte
Paraíba 0,050 0,047 0,045 0,043 0,040 0,039 0,037 0,039 0,037 0,033 0,032 0,032
Pernambuco 0,012 0,012 0,010 0,011 0,010 0,009 0,009 0,012 0,011 0,012 0,013 0,013
Alagoas -0,019 -0,026 -0,019 -0,017 -0,012 -0,016 -0,017 -0,017 -0,018 -0,018 -0,011 -0,007
Sergipe 0,032 0,032 0,036 0,033 0,036 0,037 0,040 0,044 0,040 0,037 0,036 0,033
Bahia 0,053 0,053 0,050 0,046 0,045 0,042 0,041 0,039 0,038 0,035 0,033 0,033
Minas Gerais 0,016 0,017 0,017 0,016 0,018 0,016 0,017 0,016 0,015 0,014 0,028 0,016
Espírito Santo 0,023 0,022 0,020 0,017 0,017 0,017 0,017 0,017 0,017 0,016 0,014 0,016
Rio de Janeiro 0,014 0,014 0,010 0,008 0,012 0,010 0,008 -0,001 -0,005 -0,012 -0,010 -0,015
São Paulo -0,027 -0,025 -0,026 -0,023 -0,024 -0,023 -0,023 -0,020 -0,018 -0,015 -0,019 -0,017
Paraná 0,026 0,025 0,023 0,021 0,020 0,019 0,018 0,017 0,016 0,016 0,015 0,014
Santa Catarina 0,013 0,012 0,010 0,008 0,007 0,005 0,002 0,001 0,001 -0,001 -0,003 -0,002
Rio Grande do
-0,027 -0,028 -0,018 -0,015 -0,009 -0,007 -0,003 -0,003 -0,003 -0,005 -0,004 -0,002
Sul
Mato Grosso
0,034 0,034 0,032 0,027 0,025 0,023 0,019 0,023 0,021 0,018 0,017 0,017
do Sul
Mato Grosso 0,043 0,044 0,038 0,031 0,028 0,024 0,021 0,022 0,019 0,019 0,015 0,016
Goiás 0,023 0,022 0,019 0,017 0,015 0,013 0,013 0,013 0,011 0,009 0,008 0,009
Distrito Federal 0,024 0,023 0,023 0,020 0,021 0,020 0,018 0,014 0,016 0,011 0,009 0,010
Fonte: Elaboração própria a partir de dados da RAIS.

Ao fazer a análise por região temos que as UFs do Norte, apresentam queda no valor
do IEG. O Estado do Amazonas é a única UF com características negativas e com oscilações
mais intensas, este comportamento deve estar atrelado à queda do VAB (tabela 6) que
diminuiu nos últimos oito anos, principalmente após o ano de 2010.
O Nordeste mostra características de desconcentração, pois ocorreu uma queda na
intensidade dos valores do IEG durante o período estudado. O estado de Pernambuco é o
único que demonstrou aumento do IEG, partindo de 0,012 em 2003 para 0,013 em 2014, com
poucas variações no decorrer dos anos. Alagoas também apresentou um comportamento
diferente em relação aos outros estados, pois é o único que apresenta um efeito de

7
Gráficos referentes ao IEG para cada UF estão presentes no Anexo A.
 71

distanciamento das empresas, colaborando com o comportamento de desconcentração.

Segundo Araújo (2016), o estado do Alagoas apresenta 90% do total das indústrias em
processo de desconcentração.
No Sudeste temos um processo de desconcentração industrial em todos os estados. São
Paulo e Rio de Janeiro apresentam resultados de dispersão das firmas devido a falta de atração
da região, significando que as firmas não estão se posicionando dentro dos estados de maneira
a formar alguma concentração. Segundo Costa (2014), a região Sudeste perdeu um quarto do
mercado industrial entre o período de 1970 a 2011, sendo que as regiões metropolitanas de
São Paulo e Rio de Janeiro perderam cerca 50% da participação industrial. Temos um
exemplo a redução do setor calçadista da região de Franca, pois as empresasantes localizadas
nesta região estão se instalando em outras estados,como o Ceará, como pode ser analisado em
Pereira Júnior (2013). Os estados de Espírito Santo e Minas Gerais apresentam queda dos
valores de IEG tendendo para aleatoriedade da localização das empresas.
A região Sul também esta em processo de desconcentração, todos os estados
apresentaram redução dos valores de IEG. Santa Catarina reduziu o IEG a ponto de revelar
tendências de afastamento de setores, pois temos um valor positivo em 2010 de 0,001025
decrescendo para -0,00207 em 2014. Destaque para o Rio Grande do Sul que possui valores
negativos de IEG revelando que o estado esta em plena falta de atratividade, por causa da
dispersão das suas firmas. Ao analisar dados do VAB industrial da região Sul observamos
evolução dos dados. Essa característica se deve, de acordo com Costa (2014), ao fato das
regiões metropolitanas perderem parte da força industrial produtiva nos últimos anos. Logo,
pode-se dizer que essas indústrias estão indo em direção ao interior dos Estados. Assim tanto
o comportamento de aumento do VAB como a característica de desconcentração da região são
comprovados.
Todos os Estados do Centro – Oeste apresentaram quedas nos valores de IEG. Os
valores de IEG são positivos, mas tiveram seus valores reduzidos no intervalo de doze anos. É
interessante observar que todos tendem a apresentar uma dispersão aleatória das firmas, ou
seja, a localização não é bem definida e se espalha na área de cada UF. Um dos motivos para
essa causa é expansão das fronteiras agrícolas, pois esta possibilita o surgimento de novas
localizações urbanas, fazendo com que as indústrias procurem o espaço mais adequado para
se instalar.
Podemos observar no Gráfico 2 que mesmo com o decaimento da intensidade dos
valores de IEG no decorrer dos 12 períodos para a maioria dos estados, temos a maior parte
 72

dos dados presentes entre os valores positivos, se concentrando entre os valores de zero a 0,05
no histograma.

Gráfico 2 - Histograma dos valores de IEG para as UFs no período de 2003 a 2014

Fonte: Elaboração própria via software Stata.

O IEG apresentado é uma das variáveis a ser utilizada no modelo econométrico e será
representado como EG, a seguir. Para elaboração do modelo foram utilizadas 324 observações
distribuídas em 27 seções transversais (UFs) e 12 períodos de tempo (2003 a 2014). A Tabela
8 representa dados referentes às estatísticas descritivas das variáveis utilizadas no modelo.
 73

Tabela 8 - Estatística descritiva

Variáveis Média Mediana Desvio Padrão Min Max
EG 0,017067 0,019948 0,024039 -0,080376 0,070463
ICMS 1,224800 0,941012 0,876233 0,290671 5,735896
EDUC 0,037037 0,018162 0,053443 0,001785 0,286609
COMP 0,055429 0,051586 0,021834 0,011983 0,121585
FIRM 0,037037 0,009561 0,060165 0,000490 0,301235
CUST 0,841613 0,832025 0,231036 0,364770 1,668090
Fonte: Elaboração própria dos dados através do software Stata.

A variável EG possui média (0,017067) com um valor relativamente superior a zero,

mostrando uma situação favorável para as firmas, pois indica que estas estão localizadas em
áreas atraentes para instalação de novas plantas, considerando que os dados sejam observados
de maneira isolada. Podemos notar que a região Norte apresenta valores dos dois extremos do
EG, sendo o estado de Rondônia no ano de 2004 assumindo o valor máximo (0,070463) e o
estado do Amazonas no ano de 2005 apresentando o valor mínimo (-0,080376).
A variável ICMS não apresenta uma média de arrecadação tão alta para os dados
coletados das UFs e que algumas arrecadam mais que as outras, pois a oscilação entre os
valores é elevado. Analisando os valores máximo e mínimo, encontramos um valor máximo
(5,735896) muito acima da média (1,2248) e um valor mínimo (0,290671) bem próximo da
média. A região Norte possui participação na presença dos valores extremos, pois o valor
máximo esta relacionado à arrecadação do estado de Tocantins para o ano de 2003 e o valor
mínimo para o estado do Amazonas para o ano de 2006.
A variável EDUC mostra que o país possui uma média baixa da parcela pessoas de 11
a 14 anos de estudo e de acordo com a medida do desvio padrão, a expectativa é encontrar
UFs com baixo nível de instrução nesta categoria de anos de estudo. Um exemplo é o estado
de Roraima, que para o ano de 2003, possui o menor valor para essa variável (0,001785),
muito provavelmente devido a quantidade de pessoas de 11 a 14 anos de estudo
acompanharem a população do estado que é muito pequena quando comparada com os outros
estados. O estado de São Paulo possui o valor máximo (0,286609).
A competitividade das firmas, COMP, apresenta estados com valores bem próximos à
média (0,055429) devido ao desvio padrão (0,021834) ser pequeno. Os dados indicam que,
muito provavelmente, a competitividade entre as firmas no país possui empresas que
despontam em relação à média no estado do Amapá no ano de 2008, pois este possui o valor
máximo da variável COMP. O valor mínimo é referente ao estado de Alagoas para o ano de
2004.
 74

A variável FIRM, possui valor alto de desvio padrão (0,060165) quando comparado
com o valor da média dos estados (0,037037) indicando alta oscilação dos valores para essa
variável. Quando observamos o valor da mediana (0,0095605) e comparamos com o valor de
máximo (0,301235), referente ao estado de São Paulo para o ano de 2008, concluímos que o
valor esta muito acima em relação aos valores do restante do país. O mesmo pode ser notado
no valor mínimo (0,00049), referente ao estado de Roraima para o ano de 2003, indicando que
a participação regional das firmas para este estado é bem inferior quando comparado com os
outros estados para os vários anos do período estudado.
O custo de negócio, CUST, apresenta o valor da média (0,841613) e desvios padrão
(0,231036) indicando que as UFs mantêm um investimento equilibrado e pouco oscilativo
quando se trata em definir a melhor localização para custos de negócio. Como valor mínimo
(0,36477) temos o estado do Acre para o ano de 2006 e valor máximo (1,66809) o estado do
Maranhão para o ano de 2004.
Na próxima seção será abordada a estimação do painel e conseqüente análise do
modelo estático.

5.2 Modelo em Dados de Painel

Foram realizadas estimações para modelos pooled (1), fixo (2) e aleatório (3), para
determinar o modelo mais adequado para avaliar as variáveis que afetam a concentração
industrial. Os resultados estão partilhados na Tabela 9, contendo todas as estimações e os
testes necessários para definição do modelo apropriado.
 75

Tabela 9 - Estimativas e P-valor do modelo

Modelo Modelo Modelo Corrigido

Modelo Fixo (2)
Pooled (1) Aleatório (3) (4)
constante -0,003811 -0,003811
(0,573) (0,573)
ICMS -0,003084 -0,003151 -0,003084 -0,003151
(0,003)*** (0,002)*** (0,003)*** (0,017)***
EDUC 0,108843 0,077372 0,108843 0,077372
(0,312) (0,546) (0,312) (0,669)
COMP 0,511739 0,503820 0,511739 0,503820
(0,000)*** (0,000)*** (0,000)*** (0,000)***
FIRM -0,322068 -0,938272 -0,322068 -0,938272
(0,002)*** (0,000)*** (0,002)*** (0,029)***
CUST 0,004975 0,003111 0,004975 0,003111
(0,181) (0,401) (0,181) (0,689)
R-Square 0,3637 0,2159 0,3637 0,2159
Teste de Efeito
0,0000
Individual
Teste de
Multiplicador de 0,0000
Lagrange
Teste Hausman 0,0005
Teste de
0,0000
Heterocedasticidade
Fonte: Elaborado pelo autor através do software Stata.
Nota: Entre parênteses estão os resultados do p-valor (10%: *, 5%: **, 1%: ***), os valores acima são
os coeficientes das variáveis.

Os testes de efeito individual e Hausman definiram o estimador por efeito fixo (2) o
mais propício para representar o modelo a ser analisado neste trabalho. Como no modelo (2)
foi detectado a presença de heterocedasticidade na realização do teste de mesmo nome, foi
necessário realizar correções, estas realizadas pelo estimador robusto de White.
Logo, podemos perceber que o modelo corrigido (4) apresenta três variáveis
significativas ao nível de 5%. Primeiramente temos a variável ICMS, impactando
negativamente na concentração industrial, ou seja, quando aumentar uma unidade do valor da
arrecadação, ou seja, um ponto percentual, teremos uma redução de 0,003151 da concentração
industrial. Esse comportamento é esperado devido ao fato do governo perder recursos ao
utilizar esse tipo de incentivo fiscal para atrair indústrias.
A variável FIRM, proxy da Participação Regional das Firmas, influencia
negativamente a variável EG, pois quando aumentamos uma unidade de FIRM, o coeficiente
de EG é reduzido em -0,938272. Esse comportamento é justificado pelo processo de
desconcentração industrial, cenário característico nacional desde a década de 70. Portanto
 76

podemos compreender que qualquer aumento de firma em determinada região poderia

ocasionar dispersão das outras empresas.
Por fim temos a variável COMP, representando a Competitividade das Firmas. Esta
afeta positivamente a concentração industrial, pois para cada unidade elevada desta proxy, o
coeficiente de EG aumenta em 0,503820. Esse resultado se torna interessante quando
observamos o cenário brasileiro e notamos que a competitividade das empresas nacionais está
bem abaixo do esperado quando comparado com outros países do mundo.
Portanto podemos considerar que o modelo assume a seguinte forma:
𝐸𝐺 = 𝛼 − 0,003151𝐴𝐿𝐼 + 0,077372𝐸𝐷𝑈𝐶
+ 0,50382𝐶𝑂𝑀𝑃 − 0,938272𝐹𝐼𝑅𝑀
(16)
+ 0,003111𝐶𝑈𝑆𝑇

A equação 16 nos mostra a influência das variáveis ICMS, EDUC, COMP, FIRM e
CUST na variável de concentração industrial, EG. É Interessante notar que as variáveis
significativas ao modelo seguem resultados observáveis no cenário industrial nacional, como
descrito anteriormente. Podemos considerar que arrecadação do ICMS (ICMS),
competitividade (COMP) e participação regional das empresas (FIRM), afetam a
concentração de maneira estática, sendo assim, fatores que influenciam as aglomerações
quando não se considera efeitos temporais. Na próxima seção, serão realizados testes de
estacionariedade e cointegração para a realização de uma análise dinâmica para continuar
observando o comportamento dessas variáveis, se elas são causadoras de um efeito
permanente na aglomeração ou se são perenes.

5.3 PVAR

5.3.1 Teste de Estacionariedade e Cointegração para dados em painel

Antes de estudarmos as interdependências entre as seções transversais e o tempo

através do PVAR, é preciso ser realizado testes de raiz unitária e cointegração. Os testes de
raiz unitáriapara dados em painel, utilizados nesta pesquisa, serão os de Levin e Lin (1992),
Im, Pesaran e Shin (1995, 2003), Maddalae Wu (1999), discutidos na seção anterior em que
foi explicitado que o ADF Fisher é um teste mais eficaz seguido pelo IPS e depois o LL.
 77

A Tabela 10 apresenta os resultados dos testes de raiz unitária, para um modelo sem
tendência8 e variáveis em nível. A definição sobre a estacionariedade das variáveis, em que
rejeita-se a hipótese nula, foi baseada no nível de significância de 5%. Os resultados
encontrados revelam que somente a variável dependente, EG, e a variável FIRM possuem
presença de raiz unitária em nível, o restante rejeitou a hipótese nula. Logo, a possibilidade de
cointegração entre as variáveis do modelo não é crível somente com os testes da Tabela 10.

Tabela 10 - Teste de raiz unitária sem tendência e variáveis em nível

Variáveis Levin, Lin & Chun IPS ADF-Fisher

EG -5,1821 0,2418 53,0796
(0,0000)*** (0,5955) (0,5099)
ICMS -3,3540 0,4517 78,5830
(0,0004)*** (0,1212) (0,0161)**
EDUC -8,6637 -4,4834 127,2699
(0,0000)*** (0,0000)*** (0,0000)***
COMP -31,1251 -16,4477 483,7693
(0,0000)*** (0,0000)*** (0,0000)***
FIRM -0,4279 -3,6960 49,2264
(0,6657) (0,9999) (0,6587)
CUST -5,6544 -2,2620 98,72
(0,0000)*** (0,0118)** (0,0004)
Fonte: Elaboração própria dos dados através do software Stata.
Nota: Entre parênteses estão os resultados do p-valor (10%: *, 5%: **, 1%: ***), os valores acima são os
coeficientes das variáveis.

A tabela 11 possui os dados das variáveis EG e FIRM em primeira diferença, pois

observa se que são estacionárias, sendo este um requisito para inseri-las na modelagem do
PVAR, como explicitado na seção 4.3. Assim para formulação do PVAR na próxima sub-
seção ambas as variáveis serão inseridas no modelo em primeira diferença.

Tabela 11 - Teste de raiz unitária sem tendência para a primeira diferença de IEG e RE9

Variáveis Levin, Lin & Chun IPS ADF-Fisher

DEG -14,8880 -10,1966 289,7441
(0,0000)*** (0,0000)*** (0,0000)***
DFIRM -14,8050 -9,2728 273,3635
(0,0000)*** (0,0000)*** (0,0000)***
Fonte: Elaboração própria dos dados através do software Stata.
Nota: Entre parênteses estão os resultados do p-valor (10%: *, 5%: **, 1%: ***), os valores acima são os
coeficientes das variáveis.

8
Os resultados do teste de raiz unitária com tendência estão disponíveis no Anexo B deste artigo.
9
Os testes de raiz unitária para DEG e DFIRM com tendência estão presentes no anexo B
 78

O teste de Pedroni foi realizado para definir se o modelo é cointegrado ou não, cuja
hipótese nula refere-se a não cointegração entre as variáveis quando são encontradas
estatísticas não significativas. Os resultados encontrados foram analisados considerando
significância de 5% e as variáveis utilizadas estão em nível, com exceção de DEG e DFIRM
que são a primeira diferença das variáveis EG e FIRM respectivamente. A Tabela 12 contém
as estatísticas do Teste de Pedroni, interpretado a partir de uma distribuição normal N(0,1).
Observa-ser que as estatísticas t e ADF, apresentam resultados não significativos.Logo
conclui-se que a hipótese nula não é rejeitada.

Tabela 12 - Teste de Cointegração de Pedroni

Estatísticas
testes
Painel Grupo
v -2,709
rho 5,059 7,444
t -1,126 -1,864
ADF -0,068 0,776
Fonte: Elaboração própria dos dados através do software Stata.

As estatísticas v e rho são significativas, portanto rejeita-se a hipótese nula. Alguns

testes são mais sensíveis quando o número de cross-sections (N) é superior á série temporal
(T), fazendo com que a hipótese nula seja rejeitada. Se forem aumentados os números de
períodos observados, nesses casos em que N > T, o resultado definitivo será não rejeita a
hipótese nula (PEDRONI, 2000). Então o resultado definitivo do teste de Pedroni considera
que não há relações de cointegração.
A Tabela 13 apresenta as estatísticas do Teste de Cointegração de Westerlund. Pelos
resultados encontrados, a hipótese nula não é rejeitada. Portando, concluí-se que o modelo
não é cointegrado, de modo que não há evidências de relação de longo prazo entre as
variáveis.
Tabela 13 - Teste de Cointegração de Westerlund

Estatística P-valor
Gt
Ga 2,168 1,000
Pt
Pa -0,199 1,000
Fonte: Elaboração própria dos dados através do software Stata.
 79

Portanto em ambos os testes apresentaram que o modelo não é cointegrado. Logo,

estimaremos em seguida o modelo através da técnica de Vetor Autorregressivo para dados em
painel (PVAR).

5.3.2 Impulso Resposta

Nesta seção serão observados os impactos causados pelas variáveis do modelo ICMS,
EDUC, COMP, DFIRM, CUST e DEG sobre a concentração industrial(DEG), analisando o
comportamento do impulso resposta através das estimações oriundas do modelo PVAR. As
variáveis que não eram estacionárias em nívelforam inseridas no modelo em primeira
diferença. Logo, as variáveis, EG e FIRM, foram apresentadas em primeira diferença para
integrarem ao modelo PVAR como DEG e DFIRM.
O Gráfico 3 apresenta os resultados da resposta de DEG aos choques dos regressores
do modelo. O item (a) mostra o comportamento da variável DEG, esta é bastante endógena,
pois um choque nela mesmo causa uma resposta positiva e altamente significativa no curto
prazo, com queda na sua trajetória retornando ao nível inicial no longo prazo.
 80

Gráfico 3 - Impulso Resposta

Fonte: Elaboração própria dos dados através do software Stata.

As variáveis ICMS, no gráfico (b), e CUST, no gráfico (f), não causam choques
significativos em DEG, não sendo relevantes no curto e no longo prazo.
No gráfico (c), a proxy para transbordamento de conhecimento, EDUC, causa
inicialmente um pequeno choque positivo com leve queda no curto prazo em DEG, na
sequência o choque se torna mais intenso e positivo perdurando por todo longo prazo. O
regressor COMP, competitividade das firmas, no gráfico (d), causa um choque negativo
prolongado em DEG que volta no nível inicial somente no longo prazo. Por fim temos o
gráfico (e) em que um choque da variável DFIRM causa um pequeno efeito positivo com
seguida queda no curto prazo em DEG, no longo prazo acontece uma elevação da resposta de
DEG ao impulso de DFIRM.
De acordo com a teoria apresentada pela NGE, podemos notar a presença dos retornos
crescentes (Figura 6) nos resultados encontrados, não da mesma maneira do exposto na teoria,
mas quando é observado o efeito proporcionado pelos choques proporcionados na
concentração industrial (DEG). Na teoria temos uma série de fatores que estimulam outros
fatores, formando um ciclo, este ciclo originaria as aglomerações industriais. Neste caso,
 81

temos fatores agindo individualmente, de maneira dinâmica para estimular a concentração

industrial.
A proxy para transbordamento de conhecimento, EDUC, conseguiu afetar
positivamente e por longo período a concentração (DEG), nos levando a crer que a
concentração industrial pode ser estimulada pela informação e especialização dos seus
trabalhadores, atraindo novas firmas. Interessante ressaltar que na análise estática (seção 5.2),
EDUC, não se mostrou relevante para o incremento das concentrações, nos levando a crer que
o transbordamento de conhecimento se comporta na atmosfera industrial de forma gradual.
As variáveis relacionadas às externalidades apresentaram divergências no
comportamento dos seus resultados. Enquanto DFIRM causa uma resposta positiva por longo
período na concentração, a variável COMP causa um choque negativo por longo período. A
variável DFIRM pode nos indicar que a concentração industrial nacional necessita de mais
indústrias para ser estimulada, coincidindo com esta dedução dos retornos crescentes. Apesar
de a análise estática mostrar um resultado diferente. A variável COMP, competitividade das
firmas, coincide com o cenário nacional, pois de acordo com a CNI (2016), o Brasil não
apresenta empresas competitivas.
A variável relacionada ao custo de negócio (CUST) não causou impacto na
concentração, revelando que muito provavelmente, as firmas não se preocupam com os custos
relacionados aos meios de transporte e telecomunicação ao definir sua localização quando
considerado efeitos de curto e longo prazo.
O governo não se mostrou influente, pois nenhum impulso no ICMS causou choque na
DEG, logo podemos constatar que a proxy para arrecadação do ICMS não é o suficiente para
explicar os possíveis choques que o governo pode causar sobre a concentração industrial.

5.3.3 Decomposição da Variância

Para verificar as relações entre a concentração industrial (DEG) e as variáveis

econômicas (ICMS, EDUC, COMP, DFIRM e CUST), a decomposição da variância mostra o
percentual do erro da variância explicada por uma dada variável ao longo do tempo. A Tabela
14 mostra a análise do desempenho do índice de Ellison e Glaeser, diferenciado (DEG), para
os anos de 2003 a 2014, mostrando que esta variável é endógena, sendo explicada por 65,31%
da dinâmica do índice depois de 10 períodos.
 82

Tabela 14 - Decomposição da Variância do Índice de Ellison e Glaeser

Períodos DEG ICMS EDUC COMP DFIRM CUST

0 0 0 0 0 0 0
1 1 0 0 0 0 0
2 0,894392 0,017414 0,003046 0,002295 0,000677 0,082175
3 0,82805 0,019917 0,026198 0,024268 0,000662 0,100906
4 0,773238 0,020148 0,059135 0,050191 0,001424 0,095864
5 0,730758 0,020672 0,089671 0,064821 0,002878 0,091201
6 0,70097 0,021517 0,113612 0,069057 0,004709 0,090135
7 0,681144 0,022246 0,131008 0,068548 0,006557 0,090497
8 0,668079 0,02263 0,143214 0,067256 0,008184 0,090637
9 0,659284 0,022709 0,151737 0,06657 0,009487 0,090214
10 0,653124 0,022629 0,157826 0,066429 0,010463 0,089529
Fonte: Elaboração própria dos dados através do software Stata.

No segundo período nota-se a participação das outras variáveis. Dentre todas as

variáveis, a proxy relacionado ao custos de negócio (CUST) possui maior poder de explicação,
alcançando o valor de 8,22% . A variável mais significativa para explicar a alteração do índice
durante os 10 períodos é a proxy para transbordamento de conhecimento (EDUC) que a partir
do 6º período torna-se a variável com os valores mais altos depois da variável dependente,
alcançando o décimo período com valor de 15,78%. Logo, conclui-se que a influência da
educação por mais que não seja significativa no modelo de painel, pode se dizer que depois de
dez períodos um impulso pode causar resposta maior no IEG (DEG), quando comparado com
as outras variáveis.
É oportuno dizer que mesmo não exibindo resultados significativos quando os choques
em DEG são o foco na análise como na seção anterior, os resultados da arrecadação do ICMS
(ICMS) e custos de negócio (CUST) explicam uma parcela relevante do índice de
concentração, alcançando valores iguais a 2,26% e 8,95%respectivamente.
A literatura possui resultados estáticos para lidar com os fatores apresentados na sua
teoria. Os artigos de Holmes e Stevens (2002), Rosenthal e Strange (2003),Wen (2004), Chen
et al. (2008), Lu e Tao (2009)e Li et al. (2011) não apresentaram resultados que pudessem
distinguir efeitos dinâmicos dentro da estrutura econômica, assim como em outros trabalhos
voltados para o assunto. Nas duas últimas seções vemos que ao longo do tempo a variável
EDUC apresentou uma participação na concentração industrial mais evidente, possuindo um
efeito sobre a concentração mais duradouro em comparação com as outras variáveis. Se na
seção 5.2, três variáveis (ICMS, COMP e FIRM) se destacaram na análise estática, induzindo
que medidas focadas nessa tríade pode estimular formação de aglomerações, a análise
 83

dinâmica revela que para a atração industrial ser permanente é preciso considerar a variável
EDUC com mais importância nas regiões próximas das aglomerações. Não podemos afirmar
com clareza, já que não é o foco deste trabalho explicar os desdobramentos do
transbordamento de conhecimento, mas uma observação simples no comportamento da
variável EDUC quando se é observado os valores máximo e mínimo da tabela 8, em que
temos São Paulo sendo o maior expoente da variável EDUC e pertencente à região
considerada a maior concentração industrial do país, depois observamos Roraima com as
menores taxas referentes à EDUC e pertencente a uma região de menor expressão industrial.
Logo, podemos sugerir que os efeitos voltados para o transbordamento de
conhecimento e mobilidade de trabalho, como elencado na formulação da NGE, são
fundamentais para reverter o estado atual da industrialização nacional, que esta se
desconcentrando, como discutido por Cano (1998), Resende e Wyllie (2005) e Lautert e
Araújo (2007).
 84

6 CONCLUSÃO

Este estudo teve como principal objetivo, analisar fatores que influenciaram a
concentração industrial nas Unidades Federativas do país entre o período de 2003 a 2014.
Para consecução desse objetivo, primeiramente realizamos uma contextualização do
comportamento da concentração industrial do país, de seu início até os dias atuais, mostrando
as características que proporcionaram o surgimento das aglomerações em cada Estado e os
motivos que as fizeram expandir. Na analise do desempenho da concentração industrial
medido pelo Índice de Ellison e Glaeser em cada Unidade Federativa, foram consideradas
variáveis que podem impactá-la, tais como: arrecadação do ICMS, parcela das pessoas de 11 a
14 anos de estudo, participação regional das empresas, competitividade das firmas e custo
negócio. Foi utilizado primeiro um modelo econométrico de estimação em dados em painel,
baseado em Chen et al (2008) e Lu e Tao (2009), e a ferramenta de vetores autorregressivos
em painel (PVAR), baseado nos autores Love e Zicchino (2006) e Canova e Ciccarelli (2013).
Para compreender o comportamento da concentração industrial no Brasil e os fatores
que podem colaborar para incentivá-la, foi necessário realizar uma contextualização do
processo de industrialização brasileira. O país sempre teve como principal concentração
industrial a região Sudeste. Segundo Cano (2005), o Estado de São Paulo sempre apresentou a
maior parte da produção industrial do país. Muito provavelmente se deve alguns fatores
relacionados à mobilidade de trabalhadores, devido a vários imigrantes do inicio do século; e
custo de transporte, pois a região contou com o apoio do capital oriundo das lavouras, investiu
na infraestrutura dos meios de transporte como ferrovias e estradas. O período do “Milagre”
econômico, na década de 1970, mudou o cenário da concentração industrial do país, pois de
acordo com Cano (1998) e Lago (2011), políticas setoriais e desenvolvimentistas fortaleceram
a indústria em todos os estados. As melhoras na infraestrutura com abertura de novas estradas
criação de hidroelétricas fizeram com que o país passasse a entrar num processo de
desconcentração. Pode se observar que a influência do governo através de políticas de
incentivo a industrialização foi um forte meio para manter o setor atrativo para novas
indústrias. Nas décadas seguintes após o período do Milagre, o setor industrial foi se
enfraquecendo, pois devido às várias crises que ocorreram da década de 1980 até 2001, o
setor deixou de ser o foco das políticas nacionais. Para atrair os investimentos, as UFs
aderiram à arrecadação do ICMS. Pode se notar que até a crise de 2008 o setor estava se
recuperando com o efeito do aumento das exportações na economia internacional. Os anos
seguintes após crise, observou-se que o setor industrial esta se recuperando, devido ao
 85

aumento do valor do VAB industrial. Infelizmente quando é analisado os dados do VAB no

período de 2003 a 2014, nota-se que a produção industrial, principalmente nas UFs mais
industrializadas, está decaindo.
Os resultados quanto ao Índice de Concentração de Ellison e Glaeser, entre os anos de
2003 a 2014, mostram que a intensidade dos dados indicam a permanência do Brasil em
processo de desconcentração industrial. Grande parte das Unidades Federativas, apesar de
apresentarem valores positivos de IEG, indica valores decrescentes. Os estados do Sul e
Sudeste, regiões com as principais concentrações industriais do país, possuem setores que
estão se afastando um dos outros, pois excetuando Minas Gerais, Espírito Santo e Paraná,
todos os outros estados estão com seus valores de IEG negativos. Assim, no mesmo sentido
dos trabalhos de Cano (1998, 2005), Resende e Wyllie (2005) e Lautert e Araújo (2007)
podemos considerar que o Brasil esta passando por um processo de desconcentração
industrial.
De acordo com a estimação do modelo de dados em painel, as variáveis mais
significativas envolvem a influência do governo (arrecadação do ICMS) de cada UF e das
externalidades (participação regional das empresas e competitividade das firmas). A
arrecadação do ICMS causa impacto negativo na concentração industrial, isso se deve ao fato
apresentado por Nascimento (2008), em que este incentivo fiscal reduz a arrecadação do
estado e pode gerar perda de recursos no futuro, caso a empresa resolva sair do estado antes
do final do período de carência. Para este caso, seria interessante, as UFs investirem em
outros meios para aumentar sua atratividade. Mesmo não apresentando influência semelhante
ao observado no modelo de Chen et al (2008), o desempenho negativo da proxy para
Participação Regional das Empresas (FIRM) confirma a característica da industria nacional
brasileira nos últimos anos descrita em Cano (1998, 2005), em que as empresas nacionais
estão em processo de desconcentração desde a década de 1970. A variável FIRM, nos indica
que as aglomerações não estão suportando a inserção de mais empresas, revelando a
possibilidade destas se dirigirem para regiões sem a presença de muitas plantas instaladas. O
impacto positivo da competitividade na concentração, medida pelo IEG, e analisando a
situação do desempenho atual, mostra a necessidade de investimentos em infraestrutura,
tecnologia e outros itens para o Brasil alavancar a situação industrial atual, como demonstrado
em CNI (2016).
Este trabalho demonstra que a participação do governo é importante para estimular a
concentração industrial, mas não para explicá-la. As características nacionais ainda são de
desconcentração industrial e muito provavelmente esta situação permanecerá, já que
 86

resultados da participação regional das firmas impactam negativamente a concentração

industrial e os choques são longos no índice de concentração.
Em relação á analise dinâmica, realizada pelo PVAR, os resultados oriundos do
impulso resposta e a decomposição da variância podem destacar que a proxy relacionada ao
transbordamento de conhecimento (EDUC) causa choques positivos prolongados e é o fator
com maior relevância na explicação de IEG. Neste caso, podemos considerar que maiores
gastos na educação, no longo prazo, principalmente quando se trata da faixa etária utilizada na
variável, podem influenciar positivamente a concentração industrial.
Portanto, os resultados indicam que para reverter o quadro encontrado no Brasil de
desconcentração e estimular a concentração industrial, característica esta que deve ser
considerada a melhor por elevar o desempenho da produção de cada planta e do local onde
esta instalada, é necessário estimular a redução dos impostos ou realizar incentivos fiscais
(como o ICMS), com devido cuidado para não causar problemas nas contas do governo, e
incentivar a melhora da infraestrutura no país para estimular a competitividade destas, fatores
estes que se mostraram influentes para formação de aglomerações na análise estática. Para
causar um efeito duradouro para o estimulo da concentração, gastos em educação, para
especializar a mão de obra e consequentemente, o transbordamento de conhecimento dentro
das aglomerações industriais, é um dos principais fatores para estimular a atração de novas
indústrias. É importante ressaltar a necessidade do governo em elaborar projetos e políticas
voltados para indústria, pois este é um setor importante para economia e peça fundamental
para o crescimento do país.
 87

REFERÊNCIAS BIBLIOGRÁFICAS

ABREU, Marcelo de Paiva; WERNECK, Rogério L. F.Estabilização, abertura e privatização,

1990-1994. In: ABREU, Marcelo de Paiva (Org.). A Ordem do Progresso: Dois Séculos de
Política Econômica no Brasil. 2º Edição. Rio de Janeiro: Elsevier, Capítulo 15, 2014.

AGÊNCIA BRASILEIRA DE DESENVOLVIMENTO INDUSTRIAL. Disponível em:

<http://www.abdi.com.br/Paginas/politica_industrial.aspx>. Acessado: 18 abr. 2017.

ALMEIDA, Fabrício Alves; SILVA, Antônio Suerlilton Barbosa. Índice de Concentração:

Evidências empíricas á indústria de transformação cearense. In: XXXV Encontro Nacional de
Engenharia de Produção; Perspectivas Globais para a Engenharia de Produção, Fortaleza,
Ceará, Outubro, 2015.

ALVES, Flamarion Dutra. Notas Teórico – Metodológicas entre Geografia Econômica e

Desenvolvimento Regional. In: V Seminário Internacional sobre Desenvolvimento
Regional; CEPAL - 60 anos de Desenvolvimento na América Latina, Santa Cruz do Sul, Rio
Grande do Sul, Brasil, 2011.

____________________; MAIA, Adriano C.. Teorias sobre o espaço e a questão rural-

urbano. In: FERREIRA, Darlene Ap. O.; FERREIRA, Enéas Rente (Org.). Estudos
Agrários: Conceitos e Práticas. Rio Claro, Pós-Graduação em Geografia – IGCE, 2009.

ALVES, Lucir Reinaldo. Indicadores de Localização, Especialização e Estruturação regional.

In: PIACENTI, Carlos Alberto; LIMA, Jandir Ferrera de. (org.). Análise Regional:
Metodologias e Indicadores. Paraná: Editora Camões, 2012.

Anuário CNT do transporte 2016. Estatísticas Consolidadas. Disponível em:

<http://anuariodotransporte.cnt.org.br/Rodoviario/1-3-1-1-1-/Malha-rodovi%C3%A1ria-
total>. Acessado em: 04 de outubro de 2016.

ARAÚJO, José Ewerton Silva. Novas evidências da distribuição espacial das indústrias no
Nordeste Brasileiro: 2005-2010. Caruaru, Pernambuco, 2016, 93f. Dissertação (Mestrado) –
UFPE.

ARAÚJO, Tânia Bacelar. A promoção do desenvolvimento das forças produtivas no

Nordeste: da visão do GTDN aos desafios do presente. Revista Econômica do Nordeste,
Fortaleza, v. 28, n. 4, p. 451-467, out. 1997.

BALTAGI, Badi H.. Econometric Analysis of Panel Data. 3º ed.. England: Ed. John Wiley
& Sons LTD, 2005.

BANERJEE, Anindya. Panel Unit Roots and Cointegration: an Overview. Oxford Bulletin of
Economics and Statistics, 1999.

BREITUNG, Jörg; PESARAN, M. Hashem. Unit roots and cointegration in panels. Deutsche
Bundesbank, 2005.

BENKO, George. A Ciência Regional. Espaço e Economia: Antes da Ciência Regional, 1º

Edição: Portugal: Celta Editora, Capítulo 2, 1999.
 88

BEM, Judite Sanson de. Estado e Economia na América Latina: A construção do pensamento
Neo-Estruturalista Cepalino. Textos para Discussão. Programa de Pós-graduação em
Economia, UFRGS, 2005. Disponível em:
<http://www8.ufrgs.br/ppge/pcientifica/2005_10.pdf>, acessado: 25 jul. 2017.

BREITBACH, Áurea Corrêa de Miranda. Estudo sobre o Conceito de Região. Secretaria de

Coordenação e Planejamento. Porto Alegre, Agosto, 1988.

CANO, Wilson. Desequilíbrios Regionais e Concentração Industrial no Brasil: 1930 -

1995. Instituto de Economia, Universidade de Campinas, 2º edição. Campinas - SP, 1998.

CANO, Wilson. Desconcentração Produtiva Regional do Brasil. Editora UNESP. 2008.

CARNEIRO, Dionísio Dias; MODIANO, Eduardo Marco. Ajuste Externo e Desequilíbrio

Interno, 1980-1984. In: ABREU, Marcelo de Paiva (Org.). A Ordem do Progresso: Dois
Séculos de Política Econômica no Brasil. 2º Edição. Rio de Janeiro: Elsevier, Capítulo 13,
2014.

CASTRO, Lavinia Barros de. Privatização, Abertura e Desindexação: A Primeira Metade dos
anos 90 (1990-1994). In: GIAMBIAGI, Fábio; VILLELA, André; CASTRO, Lavinia Barros;
HERMANN, Jennifer (Org.). Economia Brasileira Contemporânea (1945-2010). 2º Edição.
Rio de Janeiro: Elsevier, Capítulo 6, p.135, 2011.

CANOVA, Fábio; CICCARELLI, Matteo. Panel Vectors Autoregressives Models a survey.

European Central Bank, Working Paper Series, Janeiro, 2013.

CHEN, Zhao; JIN, Yu; LU, Ming. Economic Opening and Industrial Agglomeration in China.
FUJITA, Masahisa; KUMAGAI, Satoru; NISHIKIMI, Konji (org.). Economic Integration in
East Asia: Perspectives from Spatial and Neoclassical Economics. Institute of
Development Economies, Capítulo 10, 2008.

COSTA, Adriano Borges. Mobilidade da Indústria e as forças urbanas de aglomeração: uma

análise do processo dinâmico da concentração industrial no Brasil. São Paulo, 2014, 101f.
Dissertação (Mestrado) - FGV-EAESP.

CONFEDERAÇÃO NACIONAL DA INDÚSTRIA. Competitividade Brasil 2016:

comparação com países selecionados. Brasília: 2016. Disponível em: <https://static-cms-
si.s3.amazonaws.com/media/filer_public/70/23/70233c45-50ea-4897-9346-
55ba24cb78d8/competitividadebrasil_2016.pdf>. Acessado em: 23 abr. 2017.

CUNHA, Juliana Corrêa. Nova Geografia Econômica: Um Ensaio para o Brasil. Porto Alegre,
2008, 131f. Dissertação (Mestrado) – Programa de Pós-Graduação em Economia, Faculdade
de Ciências Econômicas, Universidade Federal do Rio Grande do Sul.

CHRISTALLER, W. Central places in Southern Germany. New Jersey: Prentice - Hall,

1933.

DINIZ, Clélio Campolina; CROCCO, Marco Aurélio. Reestruturação Econômica e impacto

regional: O novo mapa da indústria brasileira. Nova Economia, Belo Horizonte, vol. 6, nº 1,
jul., 1996.
 89

DIXIT, Avinash K.; STIGLITZ, Joseph E. Monopolistic Competition and Optimum Product
Diversity. The American Economic Review. Jun 1977.

ELLISON, Glenn; GLAESER, Edward L.. Geographic Concentration in U.S.

Manufacturing Industries: a Dartboard Approach. 1994.

__________________________________. Geographic Concentration in U.S. Manufacturing

Industries: a Dartboard Approach. Journal of Political Economy, vol. 105, nº 5, october,
1997.

__________________________________. The Geographic Concentration of Industry: Does

Natural Advantage Explain Agglomeration? Geographic Concentration of Industry. Vol.
89, nº2, May 1999.

FUJITA, Masahisa. Urban Economic Theory: land use and City Size. Cambridge
University Press, 1989.

_______________; KRUGMAN, Paul; VENABLES, Anthony J.. Economia Espacial:

Urbanização, propriedade econômica e desenvolvimento humano no mundo. São Paulo:
Editora Futura, p.19-33, 2002.

_______________. The Development of Regional Integration in East Asia: From the

viewpoint of spatial Economics. The Applied Regional Science Conference, 2007.

_______________; THISSE, Jacques-François. New Economic Geography: An appraisal on

the occasion of Paul Krugman’s 2008 Nobel Prize in Economic Sciences. Regional Science
and Urban Economics, 2008.

_______________. The Evolution of Spatial Economics: From Thünen to the New Economic
Geography. The Journal of the Japoneses Economic Association, vol. 61, nº 1, march
2009.

GREENE, W.H. Econometric Analysis. 6º ed. New Jersey: Prentice Hall, 2008.

HADDAD, Paulo Roberto. Planejamento Regional: métodos e aplicação ao caso brasileiro.

Instituto de Planejamento Econômico e Social – IPEA; Instituto de Pesquisas – INPES,
2º Edição. Rio de Janeiro: 1974.

HERMANN, Jennifer. Auge e declínio do modelo de crescimento e endividamento: O II PND

e a crise da dívida externa (1974-1980). In: GIAMBIAGI, Fábio; VILLELA, André;
CASTRO, Lavinia Barros; HERMANN, Jennifer (Org.). Economia Brasileira
Contemporânea (1945-2010). 2º Edição. Rio de Janeiro: Elsevier, Capítulo 4, p.80, 2011.

HOLMES, Thomas J.; STEVENS, John J. Geographic Concentration and Establishment

Scale. The Review of Economics and Statistics, November, 2002.

INSTITUTO BRASILEIRO DE ECONOMIA. Índice Geral de Preços – Disponibilidade

Interna: Metodologia. Fundação Getúlio Vargas, 2016.
 90

INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. Contas Regionais.

Disponível em: <http://downloads.ibge.gov.br/downloads_estatisticas.htm>. Acessado em: 31
jan 2017.

INSTITUTO DE ESTUDOS PARA O DESENVOLVIMENTO INDUSTRIAL. A Evolução

da Estrutura Industrial. Set. 2008. Disponível em:
<http://www.iedi.org.br/admin_ori/pdf/20080930_estrutura_ind.pdf>. Acessado em: 08 nov.
2016.

___________. A Reorientação do Desenvolvimento Industrial. Ago. 2014. Disponível em:

<http://www.iedi.org.br/artigos/top/estudos_industria/20140905_reorientacao_desenvolvimen
to_industrial.html>. Acessado em: 08 nov. 2016.

___________. Balanço de pontos fortes e fracos. Jul. 2017. Disponível em:

<http://www.iedi.org.br/artigos/top/analise/analise_iedi_20170704_industria.html>. Acessado
em: 17 jul. 2017.

IKEDA, Kiyohiro; MUROTA, Kazuo; AKAMATSU, Takashi; KONO, Tatsuhiro;

TAKAYAMA, Yuki. Self-organization of hexagonal agglomeration patterns in new economic
geography models. Journal of Economic Behavior & Organization. 2013.

IM, Kyung So; PESARAN, M. Hashem; SHIN, Yongcheol.Testing for unit roots in
heterogeneous panels. Journal of Econometrics, January, 2003.

KRUGMAN, Paul. Geography and Trade, Cambridge: MA: MIT Press, 1991.

______________. The New Economic Geography, now middle-aged. In: Presentation to the
Association of American Geographers. April, 2010.

LAGO, Luiz Aranha Correa. A retomada do crescimento e as distorções do “Milagre”, 1967-

1974. In: ABREU, Marcelo de Paiva (Org.). A Ordem do Progresso: Dois Séculos de
Política Econômica no Brasil. 2º Edição. Rio de Janeiro: Elsevier, Capítulo 11, 2014.

LAPLANE, Mariano; SARTI, Fernando. Prometeu acorrentado: o Brasil na indústria mundial

no início do século XXI. In: CARNEIRO, Ricardo et al (Org.). A Supremacia dos Mercados
e a Política Econômica do Governo Lula. São Paulo: Editora UNESP, Capítulo 9, p.310-
311, 2006.

LAUTERT, Vladimir; ARAÚJO, Nilson Clóvis Machado de. Concentração Industrial no

Brasil no Período 1996-2001: Uma Análise por meio do índice de Ellison Glaeser (1994).
Economia Aplicada. São Paulo: 2007.

LEOPOLDI, Maria Antonieta P..O difícil caminho do meio: Estado, burguesia industrial e
industrialização no segundo Governo Vargas (1951-1954). In: SZMRECSÁNYI, Tamás;
SUZIGAN, Wilson (Org.). História Econômica do Brasil Contemporâneo: Coletânea de
textos apresentada no I Congresso Brasileiro de História Econômica (Campus da USP,
setembro 1993). São Paulo: Editora USP, 2002.
 91

LEVIN, Andrew; LIN, Chien-Fu. Unit Root Tests in Panel Data: Asymptotic and Finite-
Sample Properties. Department of Economics, University of California. San Diego:
Discussion Paper, May 1992.

_____________; CHU, Chia-Shang James. Unit root tests in panel data: asymptotic and
finite-sample properties. Journal of Econometrics, 2002.

LI, Dongya; LU, Yi, WU, Mingqin. Industrial agglomeration and firm size: Evidence from
China. Regional Science and Urban Economics, july, 2011.

LÖSCH, A. (1940),Die Räumliche Ordnung Der Wirtschaft, Jena: Gustav Fischer.

Translated from German by W. H. Woglom (1954) The Economics of Location, New Haven,
CN: Yale University Press.

LOVE, Inessa; ZICCHINO, Lea. Financial development and dynamic investment behavior:
Evidence from panel VAR. The Quartely Review of Economics and Finance. 2006.

LU, Jiangyong; TAO, Zhigang. Trends and Determinants of China’s Industrial

Agglomeration. Journal of Urban Economics, november, 2009.

MADDALA, G.S.; WU, Shaowen. A comparative study of unit root testes with Panel Data
and a new simple test. Oxford Bulletin of Economics and Statistics, 1999.

MARSHALL, A. (1890) Principles of Economics, London: Macmillan, 8th edition published

in 1920.

MAUREL, Françoise; SÉDILLOT, Béatrice. A measure of the geographic concentration in

French manufacturing industries. Regional Science and Urban Economics, Elsevier, 1999.

MENDES, Constantino Cronemberger; MATTEO, Miguel. Formação e Evolução do

Planejamento Regional no Brasil. Economia Regional e Urbana: Teoria e métodos com
ênfase no Brasil. Brasil: Capítulo 8, 2011.

NABUCO, Maria Regina. A (des) institucionalização das políticas regionais do Brasil. Etc...,
espaço, tempo e crítica, nº2, vol. 1, Set. 2007.

NASCIMENTO, Sidnei Pereira. Guerra Fiscal: Uma avaliação comparativa entre alguns
Estados participantes. Economia Aplicada. São Paulo: vol. 12, 2008.

NETTO, Dionísio Dias Carneiro. Crise e Esperança, 1974-1980. In: ABREU, Marcelo de
Paiva (Org.). A Ordem do Progresso: Dois Séculos de Política Econômica no Brasil. 2º
Edição: Rio de Janeiro: Elsevier, Capítulo 12, 2014.

ORENSTEIN, Luiz; SOCHACZEWSKI, Antonio Claudio. Democracia com denvolvimento,

1956-1961. In: ABREU, Marcelo de Paiva (Org.). A Ordem do Progresso: Dois Séculos de
Política Econômica no Brasil. 2º Edição. Rio de Janeiro: Elsevier, Capítulo 8, 2014.

OTTAVIANO, Gianmarco; THISSE, Jacques-François. Agglomeration and economic

geography. Handbook of Regional and Urban Economics, vol. 4, 2004.
 92

PACHECO, Carlos Américo. Desconcentração econômica e fragmentação da economia

nacional. Economia e sociedade. Campinas: junho, 1996.

PEDRONI, Peter. Critical Values for cointegration tests in heterogeneous panels with
multiple regressors. Oxford Bulletin of Economics and Statistics. 1999.

______________.Fully modified OLS for heterogeneous cointegrated panels. Nonstationary

Panels, Panel Cointegration and Dynamic Panels. Elsevier Science Inc. Vol 15, 2000.

PEREIRA JÚNIOR, Edilson. Território e expansão da produção industrial calçadista no

Ceará. Revista Faz Ciência. Unioeste. Paraná, jan/jun 2013.

PERROUX, F.. A Economia do Século XX. Porto: Herder, 1967.

PONTES, Paulo Araújo. Três Ensaios sobre Guerra Fiscal e Incentivos estaduais para a
industrialização. São Paulo, 2011, 96f. Tese (Doutorado). Escola de Administração de São
Paulo, Fundação Getúlio Vargas – FGV.

PREBISH, Raúl. O Desenvolvimento Econômico da América Latina e alguns de seus

problemas principais. In: BIELSCHOWSKI, Ricardo (org.). Cinquenta Anos de
pensamento na CEPAL. Rio de Janeiro: Editora Record, Capítulo 1, Volume 1, 2000.

Relação Anual de informações sociais. Base Estatística RAIS e CAGEB. Disponível em:
<http://bi.mte.gov.br/bgcaged/inicial.php>. Acessado em: 17 nov. 2016.

RESENDE, Marcelo; BOFF, Hugo. Concentração Industrial. In: KUPFER, David;

HASENCLEVER, Lia (org.). Economia Industrial: Fundamentos Teóricos e Práticos no
Brasil. 15º Edição. Rio de Janeiro: Elsevier, Capítulo 4, 2002.

________________; WYLLIE, Ricardo. Aglomeração Industrial no Brasil: Um Estudo

Empírico. Estudos Econômicos. São Paulo: jul-set, 2005.

________________. Industrial Coagglomeration: some state-levelevidence for Brasil. Nova

Economia. Belo Horizonte: janeiro-abril, 2015.

ROSENTHAL, Stuart S.; STRANGE, William C. The Determinants of Agglomeration.

Journal of Urban Economics, July, 2001.

________________________________________. Geography, Industrial Organization, and

Agglomeration. The Review of Economics and Statisitics, May 2003.

SARMENTO, Elsa de Morais; NUNES, Alcina.A evolução da concentração sectorial em

Portugal entre 1995 e 2006: the Herfindahl - Hirshamnn índex perspective. Tourism &
Management Studies, 2015.

SABOIA, João. Desconcentração Industrial no Brasil nos anos 90: um enfoque Regional.
Pesquisa e Planejamento Econômico. Rio de Janeiro: abr. 2000

SIANO, Rita de; D’UVA, Marcella. Do Spatial Interdependencies Matter in Italian Regional
Specialization? Geographical Analysis, 2014.
 93

SILVA, Renílson Rodrigues. Aglomerações populacionais na Região do Brasil de 1980 a

2000: uma abordagem por meio da Nova Geografia Econômica. Piracicaba, 2011, 176f. Tese
(Doutorado). Escola Superior de Agricultura “Luiz de Queiroz”, Universidade de São Paulo.

______________________; BACHA, Carlos José Caetano. Acessibilidade e aglomerações na

Região Norte do Brasil sob o enfoque da Nova Geografia Econômica. Nova Economia. Belo
Horizonte: Janeiro-abril, 2014.

Sistema Gerenciador de Séries Temporais. Banco Central do Brasil. Disponível

em:<https://www3.bcb.gov.br/sgspub/localizarseries/localizarSeries.do?method=prepararTela
LocalizarSeries>. Acessado em: 03 fev. 2017.

Sistema IBGE de Recuperação Automática. Instituto Brasileiro de Geografia e Estatística.

Banco de Dados Agregados. Disponível em:
<http://www.sidra.ibge.gov.br/bda/pesquisas/pia/default.asp?o=18&i=P>.Acessado em: 30
nov.2016.

SOBRINHO, Ednaldo Moreno Góis; AZZONI, Carlos Roberto. Aglomerações Industriais

Relevantes no Brasil. Revista NEREUS, Núcleo de Economia Regional e Urbana na
Universidade de São Paulo. São Paulo: jul., 2014.

THISSE, J. F. “Introduction”. In: J. F. Thisse, K. J. Button and P. Nijkomp, eds, Location

Theory, Glos: Edward Elgar Publishing, pp. xvii–xxxii, 1996.

TRIPATHI, Sabyasachi. Estimating Urban Agglomeration Economies for India: New

Economomic Geography Perspective. Munich Personal RePEc Archive, december 2012.

VENABLES, A. J. "Equilibrium Location With Vertically Linked Industries", Journal of

International Economics, 1996.

VIANNA, Sérgio Besseman. Política Econômica Externa e Industrialização, 1946-1951.In:

ABREU, Marcelo de Paiva (Org.). A Ordem do Progresso: Dois Séculos de Política
Econômica no Brasil. 2º Edição. Rio de Janeiro: Elsevier, Capítulo 5, 2014.

__________; VILLELA, André. O Pós-Guerra (1945-1955). In: GIAMBIAGI, Fábio;

VILLELA, André; CASTRO, Lavinia Barros; HERMANN, Jennifer (Org.). Economia
Brasileira Contemporânea (1945-2010). 2º Edição. Rio de Janeiro: Elsevier, Capítulo 1, p.6,
2011.

VIDAL, Francisco Baqueiro. Considerações em torno da validade atual da discussão

sobre as desigualdades regionais no Brasil. 2005.

VIGNANDI, Rafaella Stradiotto; PARRÉ, José Luiz; GUIMARÃES, Paulo.Measures of

Industry Agglomeration in Brasil: a Study Addressing Neighboring Effects. Análise
Econômica, Porto Alegre, ano 34, n.65, p.301-322, março 2016.

VILLELA, André. Dos “Anos Dourados” de JK à Crise não resolvida (1956-1963). In:
GIAMBIAGI, Fábio; VILLELA, André; CASTRO, Lavinia Barros; HERMANN, Jennifer
 94

(Org.). Economia Brasileira Contemporânea (1945-2010). 2º Edição. Rio de Janeiro:

Elsevier, Capítulo 2, p.30, 2011.

VON THÜNEN, J.H. 1826. The Isolated State. Oxford: Pergamon Press, 1966.

WEBER, Alfred. Urber Don standort der industrien. Tübingen, Alemanha: J.C.B. Mohr.
1909.

_____________. Theory of the location of industries. Chicago: The University of Chicago

Press, p. 127-134, 1929.

WEN, Mei. Relocation and Agglomeration of Chinese Industry. Journal of Development

Economics, april, 2003.

WESTERLUND, Joakim. Testing for Error Correction in Panel Data.. Oxford Bulletin of
Economics and Statistics. 2007.

WOOLDRIDGE, Jeffrey M.. Econometric Analysis of Cross Section and Panel Data.
Cambridge: Massachussets: The MIT Press, 2001.
 95

ANEXOS

ANEXO A

Gráfico A.1 - Dados do Índice de Ellison e Glaeser (IEG) para as 27 Unidades Federativas no período de 2003 a
2014

Fonte: Elaboração própria dos dados através do software Stata.

 96

ANEXO B

Tabela B.1 - Teste de raiz unitária com tendência

Variáveis Levin, Lin & Chun IPS ADF-Fisher
EG -6,1882 0,5955 62,1980
(0,0000)*** (0,6531) (0,2074)
ICMS -8,3207 1,6981 84,7027
(0,0000)*** (0,0447)** (0,0048)***
EDUC -12,0764 -4,7357 153,0225
(0,0000)*** (0,0000)*** (0,0000)***
COMP -35,9373 -14,9219 470,9424
(0,0000)*** (0,0000)*** (0,0000)***
FIRM -6,5362 -0,1009 57,2419
(0,0000)*** (0,5402) (0,3558)
CUST -12,1414 -4,8439 174,8164
(0,0000)*** (0,0000)*** (0,0000)***
Fonte: Elaboração própria dos dados através do software Stata.
Nota: Entre parênteses estão os resultados do p-valor (10%: *, 5%: **, 1%: ***), os valores acima são os
coeficientes das variáveis.

Tabela B.2 - Teste de raiz unitária com tendência para DEG e DFIRM
Variáveis Levin, Lin & Chun IPS ADF-Fisher
DEG -18,4243 -9,7913 315,0038
(0,0000)*** (0,0000)*** (0,0000)***
DFIRM -16,8731 -7,3096 244,9682
(0,0000)*** (0,0000)*** (0,0000)***
Fonte: Elaboração própria dos dados através do software Stata.
Nota: Entre parênteses estão os resultados do p-valor (10%: *, 5%: **, 1%: ***), os valores acima são os
coeficientes das variáveis.